如何在 Java 中利用 ConcurrentSkipListMap 实现一个天然支持高并发且有序的全局排行榜

ConcurrentSkipListMap 是 Ja va 并发包里一个相当特别的存在——它是线程安全的，底层基于跳表（Skip List），天然保持键的有序性。这意味着什么？简单说，你不需要额外的锁，不需要手动排序，就能搞定高并发场景下的有序数据管理。平均时间复杂度是 O(log n)，插入、查找、删除都稳得住。

它特别适合用来构建那种高并发、实时更新、按分数排序的全局排行榜。不需要外部排序逻辑，不需要担心线程安全，结构和性能都是现成的。

为什么 ConcurrentSkipListMap 比 TreeMap + synchronized 更适合排行榜？

TreeMap 是有序的，这点不假，但它不是线程安全的。你当然可以用 Collections.synchronizedSortedMap 把它包起来，结果就是所有操作串行化，高并发下吞吐量直接崩盘。

ConcurrentSkipListMap 的设计则完全不同：内部采用了无锁（Lock-Free）和细粒度锁混合的策略。不同区段的数据可以并发操作，互不干扰。它还原生支持 putIfAbsent、replace、computeIfAbsent 这些原子操作，非常适合分数更新的竞争场景。迭代器是弱一致性的，遍历时不会抛 ConcurrentModificationException，分页拉取榜单非常顺手。再加上 subMap、headMap、tailMap 这些方法，获取 Top N 或指定区间排名，几行代码搞定。

核心设计：用「分数 → 用户集合」映射解决并列排名

排行榜绕不开一个经典问题——并列排名。两个用户都得 95 分，名次怎么算？如果直接用 score → userId 这种一对一映射，并列信息就丢了。

推荐的方案是：键（key）用分数（int/long），按升序或降序排列（默认升序，降序需要传入 Comparator.reverseOrder()）。值（value）用线程安全的集合，比如 ConcurrentHashMap，或者更轻量的 ConcurrentSkipListSet，用来存该分数下的所有用户 ID。

举个例子：map.put(95, ConcurrentHashMap.newKeySet());，后面直接用 map.get(95).add("user123") 安全追加。简单，又清楚。

关键操作实现（附线程安全写法）

1. 更新用户分数（含并列处理）

更新分数时，你得先查旧分，如果分数变了，从旧分数的桶里移除用户，再放入新分数的桶里。要注意的是，如果旧分数桶空了，可以顺手清理掉，避免内存累积。

// 假设 map: ConcurrentSkipListMap>
public void updateScore(String userId, int newScore) {
    // 先查旧分（如果存在）
    Integer oldScore = getUserScore(userId); // 需自行维护反向索引或扫描，见下文优化
    if (oldScore != null && oldScore != newScore) {
        map.get(oldScore).remove(userId); // 安全移除
        if (map.get(oldScore).isEmpty()) {
            map.remove(oldScore); // 清理空桶（可选，避免内存累积）
        }
    }
    // 加入新分
    map.computeIfAbsent(newScore, k -> ConcurrentHashMap.newKeySet()).add(userId);
}

2. 获取 Top K 排行榜（按分降序）

需要用降序构造 map：new ConcurrentSkipListMap<>(Comparator.reverseOrder())。然后直接取前 N 个条目就行。

public List>> getTopN(int n) {
    return new ArrayList<>(map.entrySet().stream()
            .limit(n)
            .collect(Collectors.toList()));
}

3. 查询用户当前排名（需支持「并列名次」）

因为同分并列，排名 = 「严格高于该分的用户总数」+ 1。利用 map.headMap(targetScore, false).values() 求和即可。

public int getRank(String userId) {
    Integer score = getUserScore(userId); // 此处需高效反查，见下文
    if (score == null) return -1;
    // sum 所有 > score 的用户数（因 map 降序，headMap(score, false) = 分数 > score 的子图）
    return map.headMap(score, false).values().stream()
            .mapToInt(Set::size)
            .sum() + 1;
}

性能优化与注意事项

• 反向索引加速用户查分：单独维护一个 ConcurrentHashMap userToScore，每次 updateScore 时同步更新。这样查用户分数就是 O(1)，不需要遍历整个排行榜。

• 内存控制：长期运行的系统，排行榜不能无限膨胀。可以在 updateScore 中检查总用户数，通过 map.descendingMap().skip(10000).forEach(...) 清理尾部低分数据。注意：descendingMap 返回的是视图，清理时要用原 map 的 keySet。

• 分数类型选择：分数用 Long 是稳妥的选择，防止溢出。如果涉及小数精度，用 BigDecimal 作 key，但必须提供严格全序的 Comparator，避免 NaN 或精度问题导致的诡异行为。

• 避免在循环中调用 computeIfAbsent：它的 lambda 可能会被多次执行，务必确保没有副作用。更稳妥的做法是先 get，再 putIfAbsent + replace 组合。