英雄联盟投注,英雄联盟,英雄联盟下注,LOL投注官网,英雄联盟赛事投注,英雄联盟下注,英雄联盟电竞,英雄联盟投注网站,LOL,英雄联盟赛事,LOL投注,LOL赛事下注,LOL投注网站,lol下注平台，也就是一个单独的字符串（string）或数字（numbers），比如北京这个单独的词。
第二种类型是序列（sequence），也就是若干个相关的数据按照一定顺序并列在一起，又叫做数组（array）或列表（List），比如北京，上海。
第三种类型是映射（mapping），也就是一个名/值对（Name/value），即数据有一个名称，还有一个与之相对应的值，这又称作散列（hash）或字典（dictionary），比如首都：北京。
所以在编程语言中，只要有了数组（array）和对象（object）就能够储存一切数据了。即便在存储中，mongoDB redis(string,hash,list,set,zset)支持的数据类型翻来覆去也就那几种，mongoDB除去内置的objectId() 也就这几种的数据操作，这篇博客先来说一下map里面特别的TreeMap。其实讲了map就等于讲了set了，你知道w什么吗？
简单来说map是一个一一对应的key-value的结构，key不可以重复，通过key快速索引值。
我想最基本的你应该想要构造一个可以存储key-value的数据结构，然后通过设计来达到通过key快速索引值。
我们常见的数据结构都是单结构的，如何构造对应关系的结构呢？很多人可能用过js，在js里我们可以使用这样的数组：u[website] = “知乎”。这样貌似可以把数组的类似的下标作为key，对应的值作为value。但Java毕竟不可以这样，那Java如何构造这种结构呢，你可能还想过把key-value作为一个整体，类似c++的结构体，这样我们可以在结构体里有：标记key 标记value 和一个指向下一个元素的next指针(用于遍历 malloc内存)。这样一个结构体在Java里可以用对象来代替，ok，我们需要一个这样的对象！完成了第一步。
假如我有这样一个数组，数组里保存了40亿条不重复的long型数据，我要你告诉我里面有没有8这个数 ,你要怎么做（40亿数据load到内存需要几十G内存这里只是一个假设，莫在意，有兴趣的可以看看bitmap）？
最简单粗暴的是循环判断，可以么？当然可以。但那太慢了，，，因为这么多的数据完全零散的没有规律 完全无从下手。我们都知道在数据库里有索引的概念，通过对数据表里某一个或者某几个字段建立索引可以大大加快select的速度。我们能不能借鉴一下数据库的做法呢？MySql使用的是B+Tree索引，你可以想我们需要一个树！
到此，要自己弄一个map需要一个对象来表示数据结构、一棵树用来构建索引。
那个树怎么办？所以上面的结构还不行，需要改进。就像文章头图一样，一棵树有root节点有左右子树 就像这样
但我们是TreeMap，我们可跟其他的不一样呢，人家可以有序的。好了好了，，有序又怎样，你是TreeMap那我们用红黑树(实现有序)好不啦。就酱紫。。。
所以：我们决定用红黑树的结构来处理TreeMap。这也正是jdk的实现啦！看看源码我们其实差不太多，，，
所以一切围绕TreeMap的操作，你脑子里应该是谁在这棵树的头上，谁成了谁的儿子，谁跟谁是兄弟，总之我们是一颗红黑树。
废话说了这么多，下面进入正题。那TreeMap与一致性hash到底有什么关系？要讲一致性hash就要先说hash，hash是什么------Hash，一般翻译做“散列”，也有直接音译为“哈希”的，就是把任意长度的输入（又叫做预映射， pre-image），通过散列算法，变换成固定长度的输出，该输出就是散列值。百科说的也比较蛋疼，简单说hash就是寻找一种数据和存储或者其他类似的对应关系。Java里有hashcode hashset hashmap。看着都和hash有关，我们怀着探索未知的心情打开JDK Object来看下hashcode到底是怎么生成的，于是：
你妹，native的方法，本地的，我们还是naive了。看来是看不到了，，，呵呵，这时我们打开了jvm hotspot的包，下面有synchronizer.cpp这个类，里面有这样的代码（sample：
我试图看懂TMD这到底是什么意思，最后…… 请教了身边的c++同学也没法，只能看看方法的注释(注释是多么的重要)和Google了一下，Java 中Object对象hashcode()返回值是与Object对象的内存地址相关联但不等于地址的整形描述数值。Java中有很多hash算法，类似的MD5 SHA1 SHA256等 hash有各种各样的算法，如何衡量一个hash算法的优劣呢-----性能和碰撞率。如果你的算法10个数里面有两个数hash后数值一样，那还hash个蛋。自己实现hash算法不太现实，给大家安利一个：MurmurHash。高运算性能，低碰撞率，现已加入Google-guava大礼包！
上次QQzone的同学过来交流提到，他们把不同号段的数据储存在不同的机器上，以用来分散压力。假如我们有一百万个QQ号，十台机器，，如何划分呢？
最简单粗暴的方法是用QQ号直接对10求余，结果为0-9 分别对应上面的十台机器。比如QQ号为 23900 的用户在编号为0的机器 23901的用户在编号为1的机器，以此类推。那么问题来了，现在QQ用户急剧上升 由一百万涨到了五百万，显然10台机器已经无能为力了，于是我们扩充到25台。这个时候我们发现以前的数据全乱了。完蛋！只能跑路了……
Hash 算法的一个衡量指标是单调性（ Monotonicity ），定义如下：
所以在保证合理分散的情况下，我们还是是可拓展的。这就是一致性hash，一致性hash 算法都是将 value 映射到一个 32 位的 key 值，也即是 0~2^32-1 次方的数值空间；我们可以将这个空间想象成一个首（ 0 ）尾（ 2^32-1 ）相接的圆环，当有数据过来按顺时针找到离他最近的一个点，这个点，就是我要的节点机器。如下图：
hash(192.168.128.670) ----A //根据服务器IP hash出去生成节点
这样当有新的机器加进来，旧的机器去掉，影响的也是一小部分的数据。这样看似比较完美了，，但假如其中一个节点B数据激增，挂了，所有数据会倒到C---C也扛不住了----所有数据会倒到D ……以此类推，最终全挂了！整个世界清静了！！！
显然，这种方式因为数据的不平均导致服务挂了。所以我们的一致性hash还需要具有平衡性。
为解决平衡性，一致性hash引入了虚拟节点”的概念。“虚拟节点”（ virtual node ）是实际节点在 hash 空间的复制品（ replica ），一实际个节点对应了若干个“虚拟节点”，这个对应个数也成为“复制个数”，“虚拟节点”在 hash 空间中以 hash 值排列。这样我们如果有25台服务器，每台虚拟成10个，就有250个虚拟节点。这样就保证了每个节点的负载不会太大，压力均摊，有事大家一起扛！！！
先写这么多吧，重头看了一遍，乱的一笔。大家有时间都可以编辑补充吧，，，文中部分图片代码忘了记下出处。知乎ID：PeterHall
