jdk基础提升

1. treeMap，treesSet 作用：1具有对应普通的Map,Set的功能，2.能排序Map和Set  （依赖树的结构进行排序---中序循环）

        TreeSet<String> treeSet=new TreeSet<String>();
        treeSet.add("2");
        treeSet.add("1");
        treeSet.add("5");
        treeSet.add("3");
        treeSet.add("1");
        treeSet.comparator();
        System.out.println(treeSet);

        TreeSet<Person> persons=new TreeSet<Person>();
        persons.add(new Person("zhou",29));
        persons.add(new Person("cao",30));
        persons.add(new Person("jiao",29));
        System.out.println(treeSet);

问题：TreeMap的key对象和TreeSet里的元素 在 Tree没有比较器的时候，必须要实现 Comparable 这个接口 否则会报错。

    final int compare(Object k1, Object k2) {
        return comparator==null ? ((Comparable<? super K>)k1).compareTo((K)k2)
            : comparator.compare((K)k1, (K)k2);
    }

2.二叉树的编译分析   参照 https://blog.csdn.net/qq_40772692/article/details/79343914

1.先序遍历：按照根节点->左子树->右子树的顺序访问二叉树

先序遍历：（1）访问根节点；（2）采用先序递归遍历左子树；（3）采用先序递归遍历右子树；

(注：每个节点的分支都遵循上述的访问顺序，体现“递归调用”)

先序遍历结果：A BDFE CGHI

思维过程：（1）先访问根节点A，

（2）A分为左右两个子树，因为是递归调用，所以左子树也遵循“先根节点-再左-再右”的顺序，所以访问B节点，

（3）然后访问D节点，

（4）访问F节点的时候有分支，同样遵循“先根节点-再左--再右”的顺序,

(5)访问E节点，此时左边的大的子树已经访问完毕，

(6)然后遵循最后访问右子树的顺序，访问右边大的子树，右边大子树同样先访问根节点C,

(7)访问左子树G,

(8)因为G的左子树没有，所以接下俩访问G的右子树H,

(9)最后访问C的右子树I

2.中序遍历：按照左子树->根节点->右子树的顺序访问

中序遍历：（1）采用中序遍历左子树；（2）访问根节点；（3）采用中序遍历右子树

中序遍历结果：DBEF    A    GHCI

 

3.后序遍历

后序遍历：（1）采用后序递归遍历左子树；（2）采用后序递归遍历右子树；（3）访问根节点；

后序遍历的结果：DEFB  HGIC   A

小结：三种方法遍历过程中经过节点的路线一样；只是访问各个节点的时机不同。

3. LongAdder

原理：把long 求和分成了 很多cells，每个线程操作的求和，在每个线程对应的cell里进行，这样，就能减少高并发时的碰撞  类似concurrentHashMap

用途：用在高并发求和，如果在高并发的过程中调用sum() 会发生重复（因为求和和加减的过程没有加锁），这不是他的缺点，设计如此。

　　换句话说，如果在高并发的最后获取值 用LongAdder  如果在并发过程中，就需要操作这个数，只能用AtomicLong

原因： AtomicLong  使用了cas 直接更新值，并返回，返回的结果肯定就是当前的值。而 LongAdder  的sum（）只是简单的求和。

4.bitset

　　java.util.BitSet可以按位存储。
　　计算机中一个字节（byte）占8位（bit），我们java中数据至少按字节存储的，
　　比如一个int占4个字节。
　　如果遇到大的数据量，这样必然会需要很大存储空间和内存。
　　如何减少数据占用存储空间和内存可以用算法解决。
　　java.util.BitSet就提供了这样的算法。
　　比如有一堆数字，需要存储，source=[3,5,6,9]
　　用int就需要4*4个字节。
　　java.util.BitSet可以存true/false。
　　如果用java.util.BitSet，则会少很多，其原理是：
　　1，先找出数据中最大值maxvalue=9
　　2，声明一个BitSet bs,它的size是maxvalue+1=10
　　3，遍历数据source，bs[source[i]]设置成true.
　　最后的值是：
　　(0为false;1为true)
　　bs [0,0,0,1,0,1,1,0,0,1]
                3,   5,6,       9

　　这样一个本来要int型需要占4字节共32位的数字现在只用了1位！
　　比例32:1  
　　这样就省下了很大空间。

package com;

import java.util.BitSet;

public class MainTestThree {

    /**
     * @param args
     */
    public static void main(String[] args) {
        BitSet bm=new BitSet();
        System.out.println(bm.isEmpty()+"--"+bm.size());
        bm.set(0);
        System.out.println(bm.isEmpty()+"--"+bm.size());
        bm.set(1);
        System.out.println(bm.isEmpty()+"--"+bm.size());
        System.out.println(bm.get(65));
        System.out.println(bm.isEmpty()+"--"+bm.size());
        bm.set(65);
        System.out.println(bm.isEmpty()+"--"+bm.size());
    }

}

输出：
 true--64
false--64
false--64
false
false--64
false--128

bitSet实现原理：

Long 为8个字节，最长的基本类型。一共64位可以放置 64个不同的数字。

Long[] 为实现原理，根据最大的数确定 有几个long可以实现。

        System.out.println(1<<6);
        System.out.println((64-1)>>6);

    public void set(int bitIndex) {
        if (bitIndex < 0)
            throw new IndexOutOfBoundsException("bitIndex < 0: " + bitIndex);

        int wordIndex = wordIndex(bitIndex);
        expandTo(wordIndex);

        words[wordIndex] |= (1L << bitIndex); // Restores invariants

        checkInvariants();
    }

    public void clear(int bitIndex) {
        if (bitIndex < 0)
            throw new IndexOutOfBoundsException("bitIndex < 0: " + bitIndex);

        int wordIndex = wordIndex(bitIndex);
        if (wordIndex >= wordsInUse)
            return;

        words[wordIndex] &= ~(1L << bitIndex);

        recalculateWordsInUse();
        checkInvariants();
    }

5.bitarray

bitarray和bitset原理类型。但是 bitarray可以获取对应位为1的值。而bitSet只是单纯的去重。

6.BloomFilter

在计算机这个领域里，我们常常碰到时间换空间或空间换时间的情况，为了达到某一方面的性能，牺牲另外一方面。BloomFilter在时间和空间着两者之间引入了另外一个概念——错误率。也就是前文提到的布隆过滤不能准确判断一个元素是否在集合内（类似的设计还有基数统计法）。引入错误率后，极大的节省了存储空间。

使用方法：

    private static int size = 1000000;

    private static BloomFilter<Integer> bloomFilter = BloomFilter.create(Funnels.integerFunnel(), size);

    public static void main(String[] args) {
        for (int i = 0; i < size; i++) {
            bloomFilter.put(i);
        }

        for (int i = 0; i < size; i++) {
            if (!bloomFilter.mightContain(i)) {
                System.out.println("有坏人逃脱了");
            }
        }

        List<Integer> list = new ArrayList<Integer>(1000);
        for (int i = size + 10000; i < size + 200000; i++) {
            if (bloomFilter.mightContain(i)) {
                list.add(i);
            }
        }
        System.out.println("有误伤的数量：" + list.size());