Java面试重点--HashSet底层代码全面解析(1)

Java集合深度解析:HashSet与LinkedHashSet底层原理及选型指南 在Java集合框架中,Set接口是日常开发与面试的高频话题。HashSet基于HashMap实现,以哈希桶存储元素,提供O(1)的增删查性能,但迭代顺序不稳定;LinkedHashSet通过继承HashSet并内部使用LinkedHashMap,以双向链表额外维护插入顺序,在去重的同时保证顺序稳定,不过增加了内存开销。理解两者的底层数据结构、源码实现及动态分派机制,有助于在去重、缓存、日志处理等场景做出正确选型。本文从原理出发,对比两者在内存、性能、迭代行为上的差异,并结合实际工程案例,帮助你避免“无序”陷 阅读详情

介绍HashSet

1.HashSet是Set接口的实现子类。
2.HashSet的底层其实是HashMap。
3.HashSet可以存放null,但是只能存放一个。
4.HashSet存放元素的顺序与取出元素的顺序不一致。
5.HashSet不能存放重复的元素。

举一个实例来证明上面的3,4,5观点
import java.util.HashSet;

public class HashSet_ {
    public static void main(String[] args) {
        HashSet hashSet = new HashSet();
        hashSet.add("jack");
        hashSet.add("tom");
        hashSet.add("jack");
        hashSet.add(null);
        hashSet.add(null);
        System.out.println(hashSet);
    }
}
输出结果
[null, tom, jack]

先说明HashSet的底层存放元素结论

1、HashSet的底层是HashMap,HashMap的底层是数组+链表+红黑树。
2、添加元素时,先得到其hash值,然后转成索引值。
3、找到存储元素的数组table,看这个索引位置是否有元素。
4、如果没有,就直接加入。
5、如果有就需要调用equals方法,进行比较,如果相同就放弃添加,如果不同就添加到链表的最后。(注意:equals方法可以自己修改,如果加入的是字符串,就按字符串的equals方法比较内容是否相同,如果加入的是自定义对象,未重写equals方法,就按是否是同一对象进行比较)
6、如果其中一条链表的长度达到8,并且table的大小>= 64,数组+链表的结构就会树化,变成红黑树。
7、输出按索引值顺序,所以存放元素的顺序与取出元素的顺序不一致,null索引为0,tom索引为3,jack索引为14。

HashSet的底层示意图

在这里插入图片描述

说明HashSet的底层数组扩容结论

1、HashSet的底层是HashMap,第一次添加时table数组扩容至16,临界值(threshold)是16*加载因子(loadfactor)是0.75 = 12。
2、当table数组使用到12时,数组就会扩容2倍,到32,新的临界值就是32 * 0.75 = 24,以此类推。
3、如果其中一条链表的长度达到8,但是table数组的大小未达到64,就会以2为倍数进行数组扩容,直到大小>= 64,数组+链表的结构就会树化,变成红黑树。

解析HashSet的底层机制

疑问

1.为什么HashSet可以存放null,但是只能存放一个?
2.为什么HashSet存放元素的顺序与取出元素的顺序不一致?
3.为什么HashSet不能存放重复的元素,如何判断是否是重复的元素?

解析

1、HashSet的底层其实是HashMap,HashMap的底层是数组+链表+红黑树
使用Debug进入 HashSet hashSet = new HashSet();我们得到了下面的代码:

public HashSet() {
    map = new HashMap<>();
}

2、HashSet如何存放元素
(1)使用Debug进入 hashSet.add(“jack”);我们得到了下面的代码:
e就是传入的字符串"jack",PRESENT是一个常量。

public boolean add(E e) {
    return map.put(e, PRESENT)==null;
}

(2)再次Debug进入put方法:
key就是传入的字符串"jack",value就是PRESENT是一个常量。

public V put(K key, V value) {
    return putVal(hash(key), key, value, false, true);
}

(3)hash(key)表示得到 key 对应的 hash 值,ctrl+B进入hash(key):

static final int hash(Object key) {
    int h;
    return (key == null) ? 0 : (h = key.hashCode()) ^ (h >>> 16);
}

从代码可以看出,先判断key是否为null,如果是null就返回0,所以上面的案例中null存放在数组下标0的位置,如果不是就调用key的hashCode()方法得到h,h再与无符号右移16位的自己进行异或运算,得到的结果返回hash(key)。
(4)返回put方法,进入putVal方法:
putVal方法很长,接下来分段分析。
hash表示 key 对应的 hash 值,key就是传入的字符串"jack",value就是PRESENT是一个常量。

final V putVal(int hash, K key, V value, boolean onlyIfAbsent,
               boolean evict) {
    Node<K,V>[] tab; Node<K,V> p; int n, i;
    if ((tab = table) == null || (n = tab.length) == 0)
        n = (tab = resize()).length;

table 就是 HashMap 底层数组,类型是 Node[],因为还没有存放元素,所以是null,满足if条件,执行 n = (tab = resize()).length;
(5)进入resize()方法:
将table赋给oldTab,所以oldTab = null,oldCap = 0,threshold表示临界值为table数组长度的0.75倍,因为table数组长度为0,所以threshold = 0,oldThr = 0,所以会进入到else语句。

final Node<K,V>[] resize() {
    Node<K,V>[] oldTab = table;
    int oldCap = (oldTab == null) ? 0 : oldTab.length;
    int oldThr = threshold;
    int newCap, newThr = 0;
    if (oldCap > 0) {
        if (oldCap >= MAXIMUM_CAPACITY) {
            threshold = Integer.MAX_VALUE;
            return oldTab;
        }
        else if ((newCap = oldCap << 1) < MAXIMUM_CAPACITY &&
            oldCap >= DEFAULT_INITIAL_CAPACITY)
            newThr = oldThr << 1; // double threshold
        }
    else if (oldThr > 0) // initial capacity was placed in threshold
        newCap = oldThr;
    else {               // zero initial threshold signifies using defaults
        newCap = DEFAULT_INITIAL_CAPACITY;
        newThr = (int)(DEFAULT_LOAD_FACTOR * DEFAULT_INITIAL_CAPACITY);
    }
    threshold = newThr;
    @SuppressWarnings({"rawtypes","unchecked"})
    Node<K,V>[] newTab = (Node<K,V>[])new Node[newCap];
    table = newTab;
    return newTab;
}

DEFAULT_INITIAL_CAPACITY = 16是一个常量,所以 newCap = 16,表示table数组的新容量=16,DEFAULT_LOAD_FACTOR = 0.75是一个常量,表示加载因子,所以newThr = (int)(16 * 0.75) = 12,所以 threshold = 12,然后新建了一个长度16的Node数组 newTab,所以table就变成了一个长度16的Node数组,返回newTab。
小结:resize()方法是一个数组扩容方法,如果当前 table 是 null, 或者 大小=0,就第一次扩容到 16 个空间,如果已经加入的元素占数组空间的0.75倍时,数组就准备扩容。
(6)返回putVal方法:
执行n = (tab = resize()).length; 所以n = 16。
继续执行putVal方法:
因为tab数组没有加入任何元素,p = null,满足if条件,就创建一个 Node (key=“java”,value=PRESENT) , 就放在该位置 tab[i] = newNode(hash, key, value, null),经过计算 i = 14。说明"jack"这个字符串放在数组下标14的位置。

	if ((p = tab[i = (n - 1) & hash]) == null){
  	  tab[i] = newNode(hash, key, value, null);
    }
	++modCount;
	if (++size > threshold)
    	resize();
	afterNodeInsertion(evict);
	return null;
}

modCount表示修改次数初值为0,size表示数组中元素个数初值为0,如果数组中元素个数为12时,就再次调用resize()方法,即数组扩容。 return null;表示元素存放成功。
至此第一个字符串"jack"添加完毕。
未完待续。。。。。。

Java Set集合底层原理与实战:HashSet、LinkedHashSet、TreeSet详解 在Java集合框架中,Set接口以“不包含重复元素”的独特语义,成为日常开发与面试中的核心考点。不同于List的线性遍历,HashSet基于HashMap实现,通过hashCode定位桶、equals判断重复,实现平均O(1)的成员资格判断;LinkedHashSet借助双向链表保留插入顺序;TreeSet则依赖红黑树与比较器,支持有序遍历和范围查询。理解equals与hashCode的协作关系、比较器返回值对去重的影响,是避免数据丢失和性能瓶颈的关键。无论是抽奖去重、标签集合、权限比对,还是需要按字段去重 阅读详情

相关推荐

Java集合框架深度解析与面试指南

Map即映射集,是线上就是将对应的key映射到对应value上,由此构成一个数学上的映射的概念,该适合存储不可重复键值对类型的元素,key不可重复,value可重复,我们可以通过key找到对应的value。

禅与计算机程序设计的艺术 1792

Hashset集合的疑问

JavaHashset集合

bhmtls的博客 345

深入解析Java中HashSet与TreeSet的区别及应用

反面教材可能导致:- 重复元素误加入;contains()判断失败;- 内存泄漏(未及时去重);正面示例:@Overrideif (!@Override此类设计确保能准确识别重复用户,适用于防刷、去重注册等关键业务。更推荐的方式是在构造时传入比较器:// 逆序// 按长度排序构造方式使用场景元素实现Comparable自定义排序逻辑回到最初的问题:到底该用哪个?答案从来不是“哪个更好”,而是“哪个更适合”。

weixin_42103128的博客 385

JAVAHashSet集合

概念:HashSet相对比于LinkedList集合于JAVA——ArrayList集合而言HashSet的不同点在于拥有唯一性,而且是无序的,且没有索引,因为是无序且没有索引的所以普通的for循环并不能便利出该集合,需要使用更高级的循环foreach来遍历出set集合中的元素。对于HashSet来说,有一个<E>代表泛型 特点:无序且元素值的唯一性,该集合没有索引,允许有null值但只能有一个。 没有索引:就是没有类似与数组的下标所以该集合是无序的与普通数组相比它相当于没有下标的数组 所

ypf3442354429的博客 771

FreeRTOS的学习(十四)——PendSV异常

本文将从任务切换的角度出发,学习PendSV异常的相关概念。

LEOD的博客 1731

瑞萨RA6M5驱动ST7735屏幕避坑指南:从软件SPI到显示汉字与图形的完整流程

本文详细介绍了瑞萨RA6M5单片机驱动ST7735屏幕的完整流程,涵盖硬件连接、软件SPI控制、汉字显示及图形绘制优化等关键步骤。通过避坑指南和实用代码示例,帮助开发者解决屏幕初始化、时序控制、字库移植等常见问题,实现高效稳定的显示效果。

weixin_28705087的博客 275

深入理解HashSet

1,认识HashSet 底层实现原理:使用哈希表来支持 HashSet特点: 1.不允许存储重复的元素 2.没有索引,没有带索引的方法,也不能使用普通的for循环遍历 3.是一个无序的集合,存储元素和取出元素的顺序有可能不一直 4.底层是一个哈希表结构(查询的速度非常的快) 2,类图关系 3,走进源码 数据结构 private transient HashMap<E,Object> map; //虚拟值与后勤图中的对象相关联(虚拟对象,作为value放到map中) private s

The_king的博客 338

二、时间序列的预处理

一般情况下,拿到一个观察值序列之后,首先要对它的平稳性和纯随机性进行检验,这两个重要的检验称为序列的预处理。根据检验的结果可以将序列分为不同的类型,对不同类型的序列我们会采用不同的分析方法。 一、平稳性检验 1、特征统计量 (1)概率分布           数理统计的基础知识告诉我们分布函数或者密度函数能够完整地描述一个随机变量的统计特征。同样,一个堆积变量族{Xt} 的统计特征也完全由...

Nicole的博客 2万+

哈希表存储原理&Set集合

目录 Set集合 HashSet集合: LinkedHashSet集合: TreeSet集合: 哈希表: 哈希表存储原理: Set集合 Set集合继承Collection接口,也是单列集合的重要分支 特点: 1. 元素没有索引,元素唯一(不可重复) 注意: 1. Set集合元素没有索引,只能使用迭代器或者增强for循环进行遍历元素 2. Set集合没有特殊的方法.都是使用Collection的方法 3. Set接...

weixin_61300833的博客 863

Delphi开发者必备:CEF4Delphi跨平台浏览器嵌入实战指南(含Lazarus适配)

本文详细介绍了Delphi开发者如何利用CEF4Delphi实现跨平台浏览器嵌入,包括环境配置、Lazarus适配、ARM架构优化及Firemonkey集成等实战技巧。通过Chromium引擎的强大功能,开发者可以轻松为传统桌面应用添加现代浏览器特性,提升多平台开发效率。

weixin_29233333的博客 230

Lama:基于傅立叶卷积的分辨率鲁棒性大掩模修复

为了缓解修复网络和损失函数都缺乏有效的感受野这个问题,提出了大掩模修复(LaMa)。LaMa基于一种新的修复网络架构,该架构使用快速傅立叶卷积(FFC),具有图像范围的感受野;高感受野感知损失;大型训练掩码,释放前两个组件的潜力。

qq_44926214的博客 1420

HashSet底层分析

(需要注意的是这里的12个元素并不是指table表上的元素(即链表中的第一个元素),这里的12指的是table表上的元素个数加上链表上的元素个数(除了第一个链表上的数))3.在java8中如果链表上的元素的个数>=8且table数组的大小>=64,那么再往该链表上添加数据时,该链表就会变为红黑树。4.如果某个链表上的元素个数>=8且tabled数组大小>=64的话,继续往该链表上添加元素,该链表会变成红黑树。3.如果有元素则进行equals判断,如果相等则添加失败,如果不等则将该元素链接在该元素的后面。

weixin_52365243的博客 311

文末含资料链接和视频讲解!YOLOv8集成CoordAtt注意力机制详细教程

本文详细介绍了如何在YOLOv8目标检测框架中集成CoordAtt注意力机制。首先解析了CoordAtt的工作原理,它通过分解式池化将位置信息嵌入到通道注意力中,相比传统注意力机制具有更好的空间信息保持能力。然后提供了PyTorch实现代码解析,包括自适应平均池化、Hard-Swish激活函数等关键实现细节。最后概述了YOLOv8架构,为后续集成CoordAtt提供基础。该教程适合具备深度学习基础的开发者,将理论与实践结合,帮助读者掌握这一目标检测优化技术。

FJN110的博客 267

Java面试重点--HashSet底层代码全面解析(2)

Java面试重点--HashSet底层代码全面解析(2)

programmerchiu的博客 807

基于YOLOv5的仪表读数识别系统:从检测到识别的完整解决方案

随着工业自动化水平的不断提高,仪表读数识别技术在电力系统、石油化工、智能制造等领域发挥着越来越重要的作用。本文提出了一种基于YOLOv5的仪表自动读数识别系统,该系统能够有效区分指针式和数字式仪表,并实现高精度的读数识别。我们详细介绍了系统的整体架构、数据集构建、模型训练策略以及用户界面设计,并提供了完整的代码实现。实验结果表明,本系统在仪表检测和读数识别任务上均取得了优异的表现,为工业现场的自动化监控提供了可靠的技术支持。关键词:仪表读数识别;YOLOv5;目标检测;深度学习;工业自动化。

YOLO 681

Qt —— 在Win11下“Qt for Android“开发环境,通过USB在真机(华为Meta60 PRO)上调试运行,并打包APK并在真实手机运行

Qt —— 在Win11下“Qt for Android“开发环境,打包APK并在真实手机运行

315

HashSet底层解析(11)

前言 通过本篇文章你将学到: 1、什么是HashSet。 2、HashSet常用方法。 3、HashSet底层实现。 4、HashSet常见面试题。 "你听那秋末的落叶,你听那叹息的离别...",这首歌今天在我脑海中一直回荡。明明是春天,心里却些许惆怅!明明在城市,却感受不到繁华。时常在想,外面的世界如此广阔为何没有我栖身之所。方寸之地,一张床,一台电脑,一个人。放得下人,但安不...

帅哥威的博客 500

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

Java面试重点--HashSet扩容和转成红黑树机制

Java面试重点--HashSet扩容和转成红黑树机制

programmerchiu的博客 2222

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

OV9734 DATASHEET,完整规格书

OV9734完整规格书,包括电气参数,尺寸规格,寄存器配置表等

【Java零基础连载12】Java集合框架下篇|HashSet、LinkedHashSet、HashMap、LinkedHashMap底层原理与面试详解

上一篇我们彻底搞定了List系列有序集合,吃透了ArrayList动态数组、LinkedList双向链表、Vector底层原理与业务选型逻辑,掌握了日常开发有序数据存储的全部方案。本篇我们攻克Java集合框架终极重难点、面试天花板——哈希集合体系,包含单列Set集合与双列Map集合。如果说List是业务常用基础,那么HashMap就是Java集合的核心王者,是面试必问、底层最深、坑点最多、框架底层依赖最强的集合。Spring、MyBatis、Redis、缓存机制底层全部依托哈希表思想实现。

荏苒夕阳的博客 196

NTscan扫描工具

ntscan是一个扫描器,可以扫描没有密码和弱密码的共享,先到配置文件中填写猜测的用户名和密码,扫描过程中右侧出现的是扫描日志。

HashMap底层原理全解析:从哈希冲突到HashSet去重陷阱

哈希表(散列表)通过哈希函数将任意长度的输入映射为固定长度的数组下标,从而实现平均 O(1) 的查找效率,是计算机科学中最基础的数据结构之一。哈希冲突是哈希表设计的关键,链地址法与红黑树的引入有效解决了碰撞导致的性能退化,这也是 Java 集合框架中 HashMap 的底层核心。理解哈希机制与 hashCode、equals 之间的契约,是正确使用 HashSet 去重、避免业务数据“失联”的前提。在实际工程中,初始容量设置、负载因子0.75的由来、扩容对性能的影响,以及多线程下 ConcurrentHas

weixin_34320159的博客 161

Java 源码 - HashSet、TreeSet 源码解析

引导语 HashSet、TreeSet 两个类是在 Map 的基础上组装起来的类,我们学习的侧重点,主要在于 Set 是如何利用 Map 现有的功能,来达成自己的目标的,也就是说如何基于现有的功能进行创新,然后再看看一些改变的小细节是否值得我们学习。 1、HashSet 1.1、类注释 看源码先看类注释上,我们可以得到的信息有: 底层实现基于 HashMap,所以迭代时不能保证按照插入顺序,或者其它顺序进行迭代; add、remove、contanins、size 等方法的耗时性能,是不会随着数

。 20万+

Java HashSet

Java HashSet 学习摘要 HashSet是Java中基于HashMap实现的Set集合,具有无序性、元素唯一性、允许null值和非线程安全等特点。底层原理是将元素作为HashMap的key存储,通过hashCode()和equals()方法判断元素唯一性。使用时需注意自定义对象必须重写这两个方法。核心方法包括add、remove、contains等,适用于快速查找场景。与TreeSet和LinkedHashSet相比,HashSet性能最优但不保证顺序。多线程环境下需手动同步或使用并发集合。初始容

weixin_45422672的博客 171

Java面试-Java 集合框架整体结构图与面试高频考点

《Java集合框架与高频面试考点速览》 本文系统梳理了Java集合框架的核心结构与面试要点。主要内容包括: 框架总览:Collection和Map两大接口构成基础,分别处理单值集合和键值对存储。 Collection三大子接口: List(有序可重复):重点对比ArrayList(数组,查询快)和LinkedList(链表,增删快) Set(唯一性):HashSet与TreeSet实现差异 Queue:队列特性与实现 Map家族详解:HashMap底层结构、TreeMap排序特性及并发安全实现。 并发集合:

千淘万漉虽辛苦,吹尽狂沙始到金 2万+

深入解析Java集合框架:春招面试要点

在上一篇文章中,我们深入探讨了Java核心基础,这是学习Java的基石。而在实际的Java开发中,集合框架的使用频率极高,它为我们提供了丰富的数据结构和算法实现,极大地提高了开发效率。对于春招面试来说,集合框架也是重点考察内容之一。接下来,让我们一同深入解析Java集合框架。

翻晒时光的博客 1090

Java集合框架面试核心考点与深度解析

Java集合框架是Java开发者必须掌握的核心技术之一,它通过Collection和Map两大接口体系提供了丰富的数据结构实现。从数据结构原理来看,ArrayList基于动态数组实现随机访问O(1)特性,LinkedList采用双向链表优化插入删除操作,HashMap则通过哈希表+红黑树实现高效键值存储。在并发场景下,ConcurrentHashMap的分段锁和CAS机制展现了Java集合的线程安全解决方案。这些设计在电商系统、缓存实现等高频并发场景中具有重要价值。针对面试场景,特别需要关注HashMap扩

weixin_33755649的博客 344

【Java零基础连载20】Java 集合框架全集|底层原理、源码解析、面试对比、避坑实战

增强for循环:仅适用于纯遍历查询场景,禁止遍历过程中增删元素普通for循环:适合带索引操作场景,遍历删除元素时需注意下标前移导致的漏删问题迭代器遍历:唯一支持遍历过程中安全删除元素的遍历方式Stream流式遍历:代码简洁高效,适合批量过滤、数据转换、统计汇总场景本文全覆盖Java集合框架全套核心考点,从架构体系、底层源码、扩容机制、版本差异、性能对比、面试真题、实战避坑七大维度全方位拆解,完美适配校招、实习、初级社招各类面试场景:吃透List家族数组与链表的核心差异、扩容原理、线程安全解决方案。

荏苒夕阳的博客 548
上一篇: Java知识点--类变量
下一篇: Java面试重点--HashSet底层代码全面解析(2)
邱崇源
博客等级 码龄8年 362粉丝 43原创
评论 7
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

邱崇源

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值