当前位置:首页 > 文章列表 > 文章 > java教程 > 详解集合的fail-fast与fail-safe机制_并发修改异常的触发与规避

详解集合的fail-fast与fail-safe机制_并发修改异常的触发与规避

2026-05-03 14:23:37 0浏览 收藏

“纵有疾风来,人生不言弃”,这句话送给正在学习文章的朋友们,也希望在阅读本文《详解集合的fail-fast与fail-safe机制_并发修改异常的触发与规避》后,能够真的帮助到大家。我也会在后续的文章中,陆续更新文章相关的技术文章,有好的建议欢迎大家在评论留言,非常感谢!

ArrayList遍历时调用remove()抛ConcurrentModificationException,因fail-fast机制通过modCount与expectedModCount比对检测结构修改;安全做法是用Iterator.remove()或removeAll()。

详解集合的fail-fast与fail-safe机制_并发修改异常的触发与规避

为什么遍历 ArrayList 时调用 remove() 会抛 ConcurrentModificationException

这是典型的 fail-fast 行为:集合在迭代过程中检测到结构被意外修改(比如非迭代器自身的 remove()),就立即报错。底层靠一个叫 modCount 的修改计数器和迭代器持有的 expectedModCount 做比对,不一致就炸。

常见错误现象:

  • 用普通 for 循环边遍历边 list.remove(obj) —— 炸
  • 用增强 for(for (X x : list))调 list.remove() —— 炸
  • 多线程里一个线程迭代、另一个线程增删 —— 大概率炸

实操建议:

  • 单线程下安全删除:用迭代器的 iterator.remove(),它会同步更新 expectedModCount
  • 需要按条件批量删:先收集待删元素,再用 list.removeAll(toRemove)
  • 别依赖“偶尔不炸”——modCount 检查不是每次都触发(比如删的是最后一个元素可能侥幸逃过),但行为不可靠

CopyOnWriteArrayList 真的线程安全?它怎么做到不抛异常

它实现的是 fail-safe:迭代器基于创建时刻的数组快照工作,后续所有写操作(add/remove)都新建数组、复制旧数据,原迭代器继续读老数组,自然不会冲突。

使用场景:

  • 读远多于写的并发场景(如监听器列表、配置白名单)
  • 需要遍历时允许写,且能接受“读不到最新写入”的语义

性能与兼容性注意点:

  • 每次写都复制整个数组 → 写操作开销大,大数据量慎用
  • 迭代器无法反映迭代期间的变更 → 如果业务逻辑依赖“实时一致性”,它反而会出问题
  • 不支持 Iterator.remove()(抛 UnsupportedOperationException),因为快照不可变

示例:

CopyOnWriteArrayList list = new CopyOnWriteArrayList();
list.add("a");
Iterator it = list.iterator();
list.add("b"); // 迭代器 still sees only ["a"]
while (it.hasNext()) System.out.println(it.next()); // 只输出 a

HashMap 的 entrySet().iterator() 也会 fail-fast 吗

会。和 ArrayList 一样,HashMap 的迭代器也检查 modCount。只要在迭代 entrySet、keySet 或 values 时,用 map.put()、map.remove() 改了结构,就抛 ConcurrentModificationException。

容易踩的坑:

  • 用增强 for 遍历 map.entrySet(),然后在循环体里调 map.remove(key) —— 炸
  • 认为“只读 key 或 value 就安全”——错,keySet() 和 values() 的迭代器同样受 modCount 约束

实操建议:

  • 要边遍历边删键值对:用 Iterator> it = map.entrySet().iterator(),然后调 it.remove()
  • 并发读写需求:别硬改 HashMap,换 ConcurrentHashMap —— 它的迭代器是弱一致性的(fail-safe),不抛 CME,但可能漏掉或重复某些元素

为什么 ConcurrentHashMap 不抛 ConcurrentModificationException

它压根不维护全局 modCount,而是分段锁 + CAS + 迭代器基于当前桶数组快照 + 链表/红黑树节点的 volatile 引用,保证迭代过程不阻塞也不校验“是否被改”。所以不会 fail-fast,也不会完全实时一致——属于明确设计的弱一致性语义。

关键差异点:

  • ConcurrentHashMap 的 iterator 不保证反映迭代开始后的任何修改(新增可能看不到,删除可能仍看到)
  • 它的 size() 是估算值(多段加总可能有误差),别拿它做精确判断依据
  • 不能用 iterator.remove() 删除元素(抛 UnsupportedOperationException),要删得用 map.remove(key)

复杂点在于:这种“不报错”不是因为更健壮,而是放弃了强一致性保证。如果你的业务逻辑隐含了“遍历期间结构不变”的假设(比如统计、校验、状态同步),即使没异常,结果也可能错。

本篇关于《详解集合的fail-fast与fail-safe机制_并发修改异常的触发与规避》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!

今日头条如何开启原创标识_今日头条原创保护功能申请流程今日头条如何开启原创标识_今日头条原创保护功能申请流程
上一篇
今日头条如何开启原创标识_今日头条原创保护功能申请流程
如何用AI快速生成各种风格头像 AI一键制作个性化头像教程【免费】
下一篇
如何用AI快速生成各种风格头像 AI一键制作个性化头像教程【免费】
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    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
    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
    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
    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
    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
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    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。
    258次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    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。
    301次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    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。
    280次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    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。
    258次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    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。
    67次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码