entrySet与keySet怎么选?
一分耕耘,一分收获!既然打开了这篇文章《Java中entrySet与keySet如何选择?》,就坚持看下去吧!文中内容包含等等知识点...希望你能在阅读本文后,能真真实实学到知识或者帮你解决心中的疑惑,也欢迎大佬或者新人朋友们多留言评论,多给建议!谢谢!
应优先用entrySet()遍历HashMap(需value时),因其避免重复哈希查找;仅用key时keySet()更清晰且无性能损失;TreeMap/LinkedHashMap无此优势;forEach(BiConsumer)强制走entrySet。

entrySet遍历比keySet快,但只在需要value时才成立
直接结论:如果循环体里要读取 value,用 entrySet();如果只用 key,用 keySet() 更清晰且无性能损失。很多人误以为 entrySet() 总是更快,其实它只是避免了重复的 map.get(key) 查找开销——而这个开销只在你主动调用 get() 时才存在。
keySet()返回的是Set,遍历时拿到的是 key,每次访问 value 都触发一次哈希查找entrySet()返回的是Set,每个 entry 已经缓存了 key 和 value 的引用,> entry.getValue()是 O(1) 字段访问- 对
HashMap来说,两次get()调用(比如先判空再取值)可能比一次entrySet()遍历多出 20%~50% 时间,取决于 key 分布和负载因子
HashMap.entrySet() 在扩容/并发场景下行为更稳定
当遍历过程中 map 被修改(非迭代器自身 remove()),keySet().iterator() 和 entrySet().iterator() 都会抛 ConcurrentModificationException ——这点没区别。但关键差异在于「内部结构依赖」:
keySet()迭代器底层仍需通过 hash 表索引定位 value,若此时发生 rehash(如 put 触发扩容),原数组引用已变,但 keySet 迭代器可能还在旧数组上行走,导致漏遍历或重复entrySet()迭代器直接持有Node[]引用和当前 index,只要不修改结构(add/remove),即使扩容正在进行,它也能完成当前 segment 的遍历(取决于 JDK 版本,JDK 8+ 对此做了更强的局部一致性保证)- 这不是线程安全,而是「遍历过程对结构性修改的容忍度略高」——仅适用于单线程中偶发的、非同步的写操作
TreeMap 和 LinkedHashMap 的 entrySet 没有性能优势
TreeMap 的 keySet() 和 entrySet() 都基于红黑树中序遍历,时间复杂度都是 O(n),且每次 next() 都要走树节点指针,entrySet() 并不缓存 value——因为 value 就挂在 node 上,keySet() 取 key 和 entrySet() 取 entry 本质是同一趟 traversal。
LinkedHashMap的两种遍历方式都走双向链表,entrySet()多一次对象创建(LinkedHashMap.Entry实例),反而略慢- 只有
HashMap(及ConcurrentHashMap的部分实现)因哈希查找开销显著,才让entrySet()的「免查 value」成为有效优化 - 别被 benchmark 误导:用
TreeMap测entrySet加速,结果往往是噪声
用 forEach + lambda 时,entrySet 是唯一合理选择
JDK 8+ 中 Map.forEach(BiConsumer) 内部强制走 entrySet(),它不给你选 keySet() 的机会。如果你写成:
map.keySet().forEach(key -> {
String val = map.get(key); // 隐式哈希查找
System.out.println(key + "=" + val);
});
这比下面的写法慢且啰嗦:
map.forEach((key, value) ->
System.out.println(key + "=" + value)
);
Map.forEach()底层就是entrySet().forEach(),避免了额外的get()调用- lambda 形参直接解构 entry,语义更清晰,JIT 也更容易内联
- 若你坚持用
keySet()+ lambda,又想避免get(),只能提前把 value 提出来——但这会让代码失去可读性,且可能引发 NPE
以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。
HTML5添加面包屑导航技巧指南
- 上一篇
- HTML5添加面包屑导航技巧指南
- 下一篇
- ES6尾调用优化怎么实现?
-
- 文章 · java教程 | 14小时前 |
- Java 虚拟线程连接池改造的资源边界
- 236浏览 收藏
-
- 文章 · java教程 | 19小时前 | Java · 虚拟线程 · java UncaughtExceptionHandler 虚拟线程 Thread.Builder.OfVirtual
- Java Thread.Builder.OfVirtual 设置线程异常处理器
- 139浏览 收藏
-
- 文章 · java教程 | 21小时前 | 数据处理 · Java教程 · java windowFixed Stream Gatherer 事件窗口
- Java Stream Gatherer 组合短窗口事件的实现步骤
- 495浏览 收藏
-
- 文章 · java教程 | 1天前 | 并发 · Java · 随机数 · RandomGeneratorFactory Java随机算法 随机数并发
- Java RandomGeneratorFactory 怎么按能力选择随机算法
- 244浏览 收藏
-
- 文章 · java教程 | 1天前 |
- Java HexFormat 怎么在字节数组和十六进制文本间转换
- 361浏览 收藏
-
- 文章 · java教程 | 1天前 | 文件处理 · nio · Java教程 · java 文件比较 Files.mismatch 字节偏移
- Java Files.mismatch 怎么定位两个文件首个差异
- 342浏览 收藏
-
- 文章 · java教程 | 1天前 | Java ·
- Java Base64 流式编码怎么避免一次加载大文件
- 182浏览 收藏
-
- 文章 · java教程 | 1天前 | Java · 可观测性 ·
- Java JFR EventStream 怎么实时消费运行事件
- 145浏览 收藏
-
- 文章 · java教程 | 2天前 | Java ·
- Java Class-File API 怎么读取类文件结构
- 419浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 263次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 312次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 291次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 268次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 85次使用
-
- Java try-with-resources 多个资源关闭顺序是什么
- 2026-09-10 501浏览
-
- 矩阵主副对角线快速定位技巧
- 2026-05-31 501浏览
-
- Java多态优化流程代码与行为分发改进
- 2026-05-26 501浏览
-
- JVM 类元数据双亲委派链表深度解析
- 2026-05-21 501浏览
-
- 反射异常处理:InvocationTargetException解析与应用
- 2026-05-16 501浏览
