Java高频面试之集合-10

hello啊，各位观众姥爷们！！！本baby今天来报道了！哈哈哈哈哈嗝🐶

面试官：详解红黑树？HashMap为什么不用二叉树/平衡树呢？

一、红黑树（Red-Black Tree）的核心特性

红黑树是一种 自平衡二叉搜索树，通过颜色标记和旋转规则确保树的高度平衡，从而保证操作效率。其核心规则如下：

节点颜色：每个节点为红色或黑色。
根节点：根必须是黑色。
叶子节点：所有叶子（NIL节点）均为黑色。
红色节点规则：红色节点的子节点必须为黑色（无连续红色节点）。
黑高一致：从任一节点到其所有叶子节点的路径包含相同数量的黑色节点（黑高相同）。

平衡性保障：

红黑树的最长路径不超过最短路径的2倍（通过规则4和5保证）。
树的高度 h ≤ 2log(n+1)，确保查找、插入、删除操作的时间复杂度为 O(log n)。

二、红黑树的操作与调整

插入操作：
- 新节点初始为红色，插入后可能破坏红黑树规则。
- 通过 旋转（左旋/右旋） 和 颜色翻转 调整树结构。
- 调整策略包括：
  - 叔节点为红色：颜色翻转（父、叔变黑，祖父变红）。
  - 叔节点为黑色且形成“三角”结构：旋转后调整颜色。
删除操作：
- 删除节点后可能破坏黑高平衡。
- 通过旋转和颜色调整修复树结构，确保满足红黑树规则。

示例插入调整：

插入前（父节点为红，叔节点为红）：B/   \R     R/R（新节点）调整后（颜色翻转）：R/   \B     B/R

三、HashMap为何选择红黑树而非二叉树/AVL树？

1. 普通二叉搜索树（BST）的问题

退化风险：若数据有序插入（如递增序列），BST退化为链表，查找效率降至 O(n)。
不稳定性：无法保证动态操作后的平衡性，不适合高并发场景。

2. AVL树的局限性

AVL树是严格平衡的二叉搜索树（左右子树高度差 ≤1），但存在以下问题：

维护成本高：插入/删除时需频繁旋转（平均旋转次数高于红黑树）。
写性能差：对于频繁修改的场景（如HashMap的put/remove），AVL树的严格平衡导致性能下降。

3. 红黑树的优势

平衡性与性能的折衷：
- 红黑树允许一定的“不平衡”（最长路径 ≤ 2倍最短路径），减少旋转次数。
- 插入/删除的调整复杂度为 O(1)（仅颜色翻转）或 O(log n)（旋转），整体性能优于AVL树。
更适合动态数据：
HashMap在哈希冲突时，链表可能频繁转换为树或退化，红黑树的动态调整效率更高。

4. HashMap的具体考量

冲突处理场景：
- 当链表长度 ≥8 且桶数组容量 ≥64 时，链表转为红黑树。
- 树节点数 ≤6 时退化为链表（避免小数据量下树的结构开销）。
综合性能：
- 红黑树在查找（O(log n)）与修改（较少旋转）间取得平衡，适合HashMap的读写混合负载。

四、性能对比：红黑树 vs AVL树 vs 链表

指标	红黑树	AVL树	链表
查找速度	O(log n)	O(log n)（更快，因更平衡）	O(n)
插入/删除	O(log n)（旋转次数少）	O(log n)（旋转次数多）	O(1)（头尾操作）
平衡严格度	宽松（最长路径 ≤2倍最短）	严格（高度差 ≤1）	无平衡
适用场景	频繁修改的动态数据（如HashMap）	静态数据或读多写少（如字典）	数据量小或无序访问

五、红黑树在HashMap中的实现细节

树化条件：
- 链表长度 ≥8 且桶数组容量 ≥64（否则优先扩容）。
- 退化为链表的阈值：树节点数 ≤6。

树节点结构：

static final class TreeNode<K,V> extends LinkedHashMap.Entry<K,V> {TreeNode<K,V> parent;  // 父节点TreeNode<K,V> left;    // 左子节点TreeNode<K,V> right;   // 右子节点TreeNode<K,V> prev;    // 前驱节点（用于快速退化为链表）boolean red;           // 颜色标记
}