public void set(T value) {
Thread t = Thread.currentThread();
ThreadLocalMap map = getMap(t); // 根据当前线程获得ThreadLocalMap对象
if (map != null)
map.set(this, value); // 如果有则set
else
createMap(t, value); // 否则创建ThreadLocalMap对象
}
ThreadLocalMap getMap(Thread t) {
return t.threadLocals;
}
void createMap(Thread t, T firstValue) {
t.threadLocals = new ThreadLocalMap(this, firstValue);
}

// 哈希映射表中的元素使用其引用字段作为键（它始终是ThreadLocal对象）继承WeakReference。
// 注意，null键（即entry.get（）== null）表示不再引用该键，因此可以从表中删除该元素。
// 这些元素在下面的代码中称为“旧元素”。
// 这些“旧元素”就是脏对象，因为存在引用不会被GC，
// 为避免内存泄露需要代码里清理，将引用置为null，那么这些对象之后就会被GC清理。
// 实际上后面的代码很大程度上都是在描述如何清理“旧元素”的引用
static class Entry extends WeakReference> {
Object value;
Entry(ThreadLocal<?> k, Object v) {
super(k);
value = v;
}
}

private void set(ThreadLocal<?> key, Object value) {
// We do not use a fast path as with get() because it is at
// least as common to use set() to create new entries as
// it is to replace existing ones, in which case, a fast
// path would fail more often than not.
// 我们不像get（）那样先使用快速路径（直接散列）判断
// 因为使用set（）创建新元素至少与替换现有元素一样频繁，在这种情况下，散列后立刻判断会容易失败。
// 所以直接先线性探测
Entry[] tab = table;
int len = tab.length;
// 根据hashcode散列到数组位置
int i = key.threadLocalHashCode & (len-1);
// 开放地址法处理散列冲突，线性探测找到可以存放位置
// 遍历数组找到下一个可以存放元素的位置，这种位置包含三种情况
// 1.元素的key已存在，直接赋值value
// 2.元素的key位null，说明k作为弱引用被GC清理，该位置为旧数据，需要被替换
// 3.直到遍历到一个数组位置为null的位置赋值
for (Entry e = tab[i];
e != null;
e = tab[i = nextIndex(i, len)]) {
ThreadLocal<?> k = e.get();
if (k == key) {//key已存在则直接更新
e.value = value;
return;
}
if (k == null) { //e不为null但k为null说明k作为弱引用被GC，是旧数据需要被清理
// i为旧数据位置，清理该位置并依据key合理地散列或将value替换到数组中
// 然后重新散列i后面的元素，并顺便清理i位置附近的其他旧元素
replaceStaleEntry(key, value, i);
return;
}
}
// 遍历到一个数组位置为null的位置赋值
tab[i] = new Entry(key, value);
int sz = ++size;
// 调用cleanSomeSlots尝试性发现并清理旧元素，如果没有发现且旧元素当前容量超过阈值，则调用rehash
if (!cleanSomeSlots(i, sz) && sz >= threshold)
// 此时认为表空间不足，全量遍历清理旧元素，清理后判断容量若大于阈值的3/4，若是则扩容并从新散列
rehash();
}

private void replaceStaleEntry(ThreadLocal<?> key, Object value, int staleSlot) {
Entry[] tab = table;
int len = tab.length;
Entry e;
// Back up to check for prior stale entry in current run.
// We clean out whole runs at a time to avoid continual
// incremental rehashing due to garbage collector freeing
// up refs in bunches (i.e., whenever the collector runs).
// 向前检查是否存在旧元素，一次性彻底清理由于GC清除的弱引用key导致的旧数据，避免多次执行
int slotToExpunge = staleSlot;
// 向前遍历找到entry不为空且key为null的位置赋值给slotToExpunge
for (int i = prevIndex(staleSlot, len);
(e = tab[i]) != null;
i = prevIndex(i, len))
if (e.get() == null)
slotToExpunge = i;
// Find either the key or trailing null slot of run, whichever
// occurs first
// staleSlot位置向后遍历如果位置不为空，判断key是否已经存在
// 回想前面我们是set实例的时候，碰到旧元素的情况下调用该方法，所以很可能在staleSlot后面key是已经存在的
for (int i = nextIndex(staleSlot, len);
(e = tab[i]) != null;
i = nextIndex(i, len)) {
ThreadLocal<?> k = e.get();
// If we find key, then we need to swap it
// with the stale entry to maintain hash table order.
// The newly stale slot, or any other stale slot
// encountered above it, can then be sent to expungeStaleEntry
// to remove or rehash all of the other entries in run.
// 如果我们找到键，那么我们需要将它与旧元素交换以维护哈希表顺序。
// 然后可以将交换后得到的旧索引位置
// 或其上方遇到的任何其他旧索引位置传给expungeStaleEntry清理旧条
// 如果碰到key相同的值则覆盖value
if (k == key) {
e.value = value;
// i位置与staleSlot旧数据位置做交换，将数组元素位置规范化，维护哈希表顺序
// 这里维护哈希表顺序是必要的，举例来说，回想前面threadLocal.set实例的判断，是线性探测找到可以赋值的位置
// 如果哈希顺序不维护，可能造成同一个实例被赋值多次的情况
// 包括后面清理旧元素的地方都要重新维护哈希表顺序
tab[i] = tab[staleSlot];
tab[staleSlot] = e;
// Start expunge at preceding stale entry if it exists
// 开始清理前面的旧元素
// 如果前面向前或向后查找的旧元素不存在，也就是slotToExpunge == staleSlot
//此时slotToExpunge = i，此时位置i的元素是旧元素，需要被清理
// slotToExpunge用来存储第一个需要被清理的旧元素位置
if (slotToExpunge == staleSlot)
slotToExpunge = i;
// 清理完slotToExpunge位置及其后面非空连续位置后，通过调用cleanSomeSlots尝试性清理一些其他位置的旧元素
// cleanSomeSlots不保证清理全部旧元素，它的时间复杂度O(log2n)，他只是全量清理旧元素或不清理的折中
cleanSomeSlots(expungeStaleEntry(slotToExpunge), len);
return;
}
// If we do not find stale entry on backward scan, the
// first stale entry seen while scanning for key is the
// first still present in the run.
// 如果前面向前查找的旧元素不存在，也就是slotToExpunge == staleSlot,而此时位置i为旧元素，所以将i赋值给slotToExpunge
// slotToExpunge用来存储第一个需要被清理的旧元素位置
if (k == null && slotToExpunge == staleSlot)
slotToExpunge = i;
}
// If key not found, put new entry in stale slot
// 如果向后遍历非空entry都没有找到key，则直接赋值给当前staleSlot旧元素位置
tab[staleSlot].value = null;
tab[staleSlot] = new Entry(key, value);

// If there are any other stale entries in run, expunge them
// 通过前面根据staleSlot向前/向后遍历，如果发现有旧元素则清理
if (slotToExpunge != staleSlot)
// 清理完slotToExpunge位置及其后面非空连续位置后，通过调用cleanSomeSlots尝试性清理一些其他位置的旧元素
// cleanSomeSlots不保证清理全部旧元素，它的时间复杂度O(log2n)，他只是全量清理旧元素或不清理的折中
cleanSomeSlots(expungeStaleEntry(slotToExpunge), len);
}

private int expungeStaleEntry(int staleSlot) {
Entry[] tab = table;
int len = tab.length;
// expunge entry at staleSlot
// 清空staleSlot位置的元素
tab[staleSlot].value = null;
tab[staleSlot] = null;
size--;
// Rehash until we encounter null
// 旧位置清理后，后面的元素需要重新散列到数组里，直到遇到数组位置为null。即维护哈希顺序。
Entry e;
int i;
for (i = nextIndex(staleSlot, len);
(e = tab[i]) != null;
i = nextIndex(i, len)) {
ThreadLocal<?> k = e.get();
if (k == null) { // k == null说明此位置也是旧数据，需要清理
e.value = null;
tab[i] = null;
size--;
} else {
int h = k.threadLocalHashCode & (len - 1);
// 将staleSlot后面不为空位置重新散列，如果与当前位置不同，则向前移动到h位置后面（包括h）的首个空位置
if (h != i) {
tab[i] = null;
// Unlike Knuth 6.4 Algorithm R, we must scan until
// null because multiple entries could have been stale.
while (tab[h] != null)
h = nextIndex(h, len);
tab[h] = e;
}
}
}
return i;
}

private boolean cleanSomeSlots(int i, int n) {
boolean removed = false;
Entry[] tab = table;
int len = tab.length;
do {
i = nextIndex(i, len);
Entry e = tab[i];
if (e != null && e.get() == null) {
n = len;
removed = true;
i = expungeStaleEntry(i);
}
// n >>>= 1无符号右移1位，即移动次数以n的二进制最高位的1的位置为基准
// 所以时间复杂度log2(n)
} while ( (n >>>= 1) != 0);
return removed;
}

// rehash全量地遍历清理旧元素，然后判断容量若大于阈值的3/4，则扩容并从新散列
// 程序认为表空间不足时会调用该方法
private void rehash() {
// 全量遍历清理旧元素
expungeStaleEntries();
// Use lower threshold for doubling to avoid hysteresis
// 适当的扩容，以避免hash散列到数组时过多的位置冲突
if (size >= threshold - threshold / 4)
// 2倍扩容并重新散列
resize();
}
// 全量遍历清理旧元素
private void expungeStaleEntries() {
Entry[] tab = table;
int len = tab.length;
for (int j = 0; j < len; j++) {
Entry e = tab[j];
if (e != null && e.get() == null)
expungeStaleEntry(j);
}
}
// 二倍扩容
private void resize() {
Entry[] oldTab = table;
int oldLen = oldTab.length;
int newLen = oldLen * 2;
Entry[] newTab = new Entry[newLen];
int count = 0;

for (int j = 0; j < oldLen; ++j) {
Entry e = oldTab[j];
if (e != null) {
ThreadLocal<?> k = e.get();
if (k == null) {
e.value = null; // Help the GC
} else {
int h = k.threadLocalHashCode & (newLen - 1);
while (newTab[h] != null)
h = nextIndex(h, newLen);
newTab[h] = e;
count++;
}
}
}
setThreshold(newLen);
size = count;
table = newTab;
}

public T get() {
Thread t = Thread.currentThread();
ThreadLocalMap map = getMap(t);
if (map != null) {
ThreadLocalMap.Entry e = map.getEntry(this);
if (e != null) {
@SuppressWarnings("unchecked")
T result = (T)e.value;
return result;
}
}
// 如果map不为null初始化一个key为当前threadLocal值为null的ThreadLocalMap对象
return setInitialValue();
}
private Entry getEntry(ThreadLocal<?> key) {
int i = key.threadLocalHashCode & (table.length - 1);
Entry e = table[i];
if (e != null && e.get() == key)
return e;
else // 直接散列找不到的情况，调用getEntryAfterMiss线性探测查找期望元素
return getEntryAfterMiss(key, i, e);
}
private Entry getEntryAfterMiss(ThreadLocal<?> key, int i, Entry e) {
Entry[] tab = table;
int len = tab.length;
// 线性探测找到符合的元素，若遇到旧元素则进行清理
while (e != null) {
ThreadLocal<?> k = e.get();
if (k == key)
return e;
if (k == null)
expungeStaleEntry(i);
else
i = nextIndex(i, len);
e = tab[i];
}
return null;
}

public void remove() {
ThreadLocalMap m = getMap(Thread.currentThread());
if (m != null)
m.remove(this);
}
private void remove(ThreadLocal<?> key) {
Entry[] tab = table;
int len = tab.length;
int i = key.threadLocalHashCode & (len-1);
for (Entry e = tab[i];
e != null;
e = tab[i = nextIndex(i, len)]) {
if (e.get() == key) {
e.clear();
expungeStaleEntry(i);
return;
}
}
}