ConcurrentHashMap 不能用 put 替代 computeIfAbsent，因 put 无法保证初始化的原子性，而 computeIfAbsent 通过 RESERVED 状态、CAS 和分段锁确保 key 对应 value 只创建一次。
ConcurrentHashMap 为什么不能直接用 put 替代 computeIfAbsent
当多个线程同时尝试初始化某个 key 对应的 value（比如缓存构建、单例对象创建），直接用 put 会覆盖或丢失写入，而 computeIfAbsent 能保证只初始化一次，且整个过程原子。它底层利用了 Node 的 RESERVED 状态和 CAS + synchronized 分段加锁机制，不是简单“先查后 put”。
常见错误是这样写：
if (!map.containsKey(key)) {
map.put(key, expensiveCreate());
}
这在并发下会多次执行 expensiveCreate()，且可能丢弃部分结果。正确做法是：
map.computeIfAbsent(key, k -> expensiveCreate());
-
computeIfAbsent返回的是最终值，无论是否新创建 - 如果 key 已存在（哪怕 value 是
null），不会触发 mappingFunction - mappingFunction 内部不要依赖外部可变状态，否则可能引发不可预测的竞态
ConcurrentHashMap 的 size() 和 isEmpty() 为什么不准
这两个方法返回的是近似值，不加全局锁，只汇总各 segment / bin 的统计快照。高并发写入时，调用瞬间可能漏掉正在提交的修改，size() 可能比实际少，isEmpty() 可能返回 true 即使刚有线程 put 成功。
立即学习“Java免费学习笔记（深入）”；
典型误用场景：
- 用
while (!map.isEmpty()) { ... }做轮询消费 —— 可能提前退出 - 根据
size() == 0判断是否需要初始化 —— 条件竞争导致重复初始化
替代方案取决于用途：
无论从何种情形出发，在目前校长负责制的制度安排下，中小学校长作为学校的领导者、管理者和教育者，其管理水平对于学校发展的重要性都是不言而喻的。从这个角度看，建立科学的校长绩效评价体系以及拥有相对应的评估手段和工具，有利于教育行政机关针对校长的管理实践全过程及其结果进行测定与衡量，做出价值判断和评估，从而有利于强化学校教学管理，提升教学质量，并衍生带来校长转变管理观念，提升自身综合管理素质。
- 判断是否为空：改用
map.containsKey(someKey)或更明确的哨兵标志 - 获取精确大小：仅在低并发或调试时用，生产逻辑不应依赖它做控制流
- 需要强一致性计数：搭配
LongAdder单独维护
ConcurrentHashMap 在 JDK 8 和 JDK 9+ 的扩容行为差异
JDK 8 使用“多线程协助扩容”，迁移时其他线程发现 table 正在扩容，会主动帮着搬数据；JDK 9+（确切说是 Java 11 起）引入了 ForwardingNode 的优化，但关键变化在于：扩容阈值计算方式变了，且对 TreeBin（红黑树节点）的迁移逻辑更严格。
影响最直接的是：
- 从 JDK 8 升级到 11+ 后，如果手动设置了初始容量和负载因子，但没考虑树化阈值（
UNTREEIFY_THRESHOLD = 6），可能意外触发更多树化/退化，影响遍历性能 -
putAll()在大集合场景下，JDK 11+ 更倾向于批量分段扩容，但若原 map 已接近阈值，可能引发连续多次扩容 - 使用
new ConcurrentHashMap(initialCapacity)时，JDK 8 实际分配的是 >= initialCapacity 的最小 2 的幂；JDK 11+ 仍如此，但内部sizeCtl初始化逻辑略有调整，极端情况下首次 put 可能多一次 resize
建议：线上服务升级 JDK 后，观察 GC 日志中的 ConcurrentHashMap 相关扩容频率，尤其关注 transferIndex 和 baseCount 的波动。
用 ConcurrentHashMap 实现简易线程安全计数器的陷阱
很多人用 map.compute(key, (k, v) -> (v == null ? 1 : v + 1)) 做计数，看似简洁，但每次调用都触发哈希查找 + CAS 尝试，高频更新下竞争激烈，性能远不如 LongAdder。
真正适合用 ConcurrentHashMap 计数的场景是：key 空间稀疏、更新频次中低、需要按 key 聚合且后续要遍历或查询特定 key。
- 高频单 key 计数（如请求总数）→ 用
LongAdder或AtomicLong - 多 key 分桶计数（如按用户 ID 统计）→
ConcurrentHashMap比嵌套compute更高效 - 需要原子增减并返回旧值 →
map.merge(key, 1L, Long::sum)比compute更语义清晰，且 merge 底层对数字类型做了少量优化
别忽略 LongAdder 的内存开销：它本质是数组+cell，每个线程争用不同 cell，但总内存占用比单个 AtomicLong 高数倍。权衡点始终是吞吐 vs 内存。
