二分查找的隐藏陷阱:JDK为何在mid计算上翻车?
写对二分查找有多难?Java集合框架的作者也曾栽在一行mid计算上。
提起二分查找,大多数人第一反应是“这有什么难的,不就是折半查找嘛”。但真在纸上手写一遍,或者在生产环境里因为一个隐藏的边界问题翻车之后,你就明白为什么《编程珠玑》的作者Jon Bentley会说:90%的程序员写不对二分查找。更鲜为人知的是,Java集合框架里Collections.binarySearch和Arrays.binarySearch的早期实现,也曾在mid计算这一行上出过bug,而修复者正是Joshua Bloch——就是写出《Effective Java》的那位。这个bug在JDK里潜伏了多年,直到2006年才被修复。今天就把这事的来龙去脉、背后的原理,以及怎么写出一份“能过面试、能上生产”的二分查找讲透。
1. 内容整体设计与思路拆解
1.1 从JDK的真实bug说起:mid = (low + high) / 2 怎么就成了定时炸弹
先直接看那个著名的bug。在旧版JDK中,Arrays.binarySearch的mid计算是这样写的:
如果low和high都是正数,这个写法一点问题没有。可一旦数组长度很大,比如low = 1073741824,high = 1073741825,这两个数相加的结果是2147483649,已经超过了int的最大值2147483647,直接溢出变成负数。此时除以2,得到的mid就成了负值,数组下标越界或者直接进入错误的分支,二分查找自然就挂了。
这个bug不是Joshua Bloch一个人踩的,包括Sun内部的一些核心库、早期的Collections.binarySearch实现、乃至不少知名开源项目都中过招。2006年,Google研究员的Joshua Bloch在自己的博客上公开了这一问题的细节,并给出了修复方案。
修复后的写法有两种:
两种写法在数学上等价,都能避免加法溢出。但如果你是Java 8+用户,还要注意里面的“坑中之坑”:low + (high - low) / 2在low、high都是int时安全,可一旦换到long场景(比如Arrays.binarySearch处理long[]时内部用int下标倒还好),就必须写low + (high - low) / 2,否则(low + high)即便换成长整型也有可能溢出。
1.2 为什么一件“小事”值得单独拿出来讲
二分查找看似代码量极少,但它的难点从来不在于“折半”这个动作,而在于三个隐藏点:
- 整数溢出:上面说的
mid计算问题。 - 循环不变量:你如何定义搜索区间是
[low, high]闭区间还是[low, high)左闭右开,直接决定边界更新时是mid - 1还是mid,写错就是死循环。 - 插入点的语义:当目标值不存在时,返回的
-(insertionPoint) - 1到底是什么、为什么这么设计。
绝大多数初学者乃至工作两三年的开发者在手写二分时翻车,翻的都是后两者。而JDK作者当年栽在第一点上,恰好证明了一个道理:即使是最优秀的工程师,在面对“溢出”这类底层问题时,也会因为“这个太基础了”而放松警惕。这也是防御性编程最经典的教材级案例。
2. 核心细节解析与实操要点
2.1 三种主流的二分查找写法,逐行拆解
为了说完整体,我给出三种最常见的二分查找模板,并逐行解释。
模板一:标准闭区间写法
核心逻辑在于:while (low <= high)意味着当low == high时,区间内还有一个元素,必须再检查一次;一旦low > high,说明区间空了,退出循环。此时low指向的位置恰好是目标值应该插入的位置。
模板二:左闭右开写法
区别在于:区间定义为[low, high),high本身不包含在搜索范围内。所以初始值high = arr.length(而不是arr.length - 1)。循环条件是low < high,因为当low == high时区间已经空了。关键在于high = mid而不是high = mid - 1,因为mid本身已经被排除在外,而且high不包含在区间内。
模板三:查找第一个等于目标值的位置(最左二分)
这是面试里高频考察的变体:有序数组可能有重复元素,需要你找出第一个出现的位置。精髓在于:当arr[mid] >= target时,不是直接返回,而是把high压缩到mid,继续向左搜索;循环结束时low就是左边界。
2.2 死循环的根源:区间更新不一致
很多人写完二分后一跑就卡死,问题几乎都出在“区间定义”和“更新规则”不匹配上。
用闭区间[low, high]举例。如果arr[mid] > target,目标在左半部分,此时high应该更新为mid - 1。如果你写成high = mid,那么当low == high时,mid == low == high,更新后high还是等于原来的值,low也不会变,就死循环了。
有一句口诀可以帮你记忆:闭区间更新必加一或减一,开区间更新保持中点不动。具体来说:
[low, high]闭区间:low = mid + 1,high = mid - 1[low, high)左闭右开:low = mid + 1,high = mid(low, high]左开右闭:low = mid,high = mid - 1
只要你定义清楚区间,再顺着区间定义去更新,死循环问题基本能消除。
2.3 为什么JDK返回负数插入点,而不是返回-1
Collections.binarySearch和Arrays.binarySearch的JavaDoc里写得很清楚:如果找到目标,返回下标;如果没找到,返回-(insertionPoint) - 1,其中insertionPoint是目标值应该插入的位置。
这个设计的精妙之处在于:只用一次返回值就能区分“找到”和“没找到”,而且调用方可以通过if (index >= 0)来判断是否命中,同时还能直接利用-(index + 1)拿到插入点。如果只是简单返回-1,那你还得再写一遍二分去算插入点,代码就冗余了。
假如二分查找的返回值设计为负数插入点,那么实际插入操作就变成了:
顺带说一句,很多人在面试时说不出这个返回值规则,或者记成-(insertionPoint),都是没仔细读过源码。这不是死记硬背的东西,理解了设计意图就忘不掉了。
3. 实操过程与核心环节实现
3.1 手写一个健壮的二分查找,直接能跑
下面我写一个完整可运行的Java类,包含标准二分、查找左边界、查找右边界、查找插入点四个功能,并做了边界测试。你可以直接拷走跑一遍,观察输出结果。
运行这段代码,重点关注标准二分返回的“负数插入点”:找6时返回-5,说明6应该插入在下标4;找10时返回-8,说明10应该追加在末尾下标7处。这个细节和JDK的行为保持一致。
3.2 为什么用 >> 1 而不是 / 2
上面代码里我用了((high - low) >> 1),这在Java里是等价的吗?答案是:对非负数完全等价,正数的右移一位等于除以2并向下取整;但如果是负数,>> 1是向下取整,而/ 2是向零取整,两者在负数时结果不同。
不过在二分查找中,high恒大于等于low,所以high - low始终是非负数,用>> 1和/ 2完全等价。之所以推荐>> 1,一面是为了表达“我真的知道自己在做无符号除以2”,另一面是某些场景下位运算确实快那么一点点——尽管现代JVM的JIT编译器基本都会把/ 2优化成移位指令,性能差异几乎为零。
真正要注意的是(low + high) >>> 1与(low + high) / 2的区别。>>>是无符号右移,即使low + high溢出成负数,右移后也能得到正确结果。而/ 2在溢出时会得到错误值。所以前面JDK的bug修复方案(low + high) >>> 1是巧妙的,它允许加法溢出,但通过无符号右移来恢复正确结果。
3.3 从二分查找到插入排序的完整场景
二分查找不是孤立的算法,它最常见的配套场景是“二分插入排序”:在有序数组中快速定位插入点,然后搬移元素。
实际生产中,排序算法里的“二分插入”主要用于近乎有序的小数组,比如Java的Arrays.sort在长度小于47时使用插入排序(InsertionSort),而对超长数组使用双轴快排(DualPivotQuicksort)。这类底层优化都是基于二分查找这个地基展开的。
4. 常见问题与排查技巧实录
4.1 典型问题一:明明数组有序,二分查找却返回-1
这种情况十有八九是while循环条件写错了。如果你用闭区间[low, high]却写了while (low < high),那数组只有一个元素时会直接跳过循环,怎么可能找得到?排查时先在纸上画出区间,尤其注意low == high时区间是否还有元素,这个判断对了问题就解决了一半。
4.2 典型问题二:运行到一半数组下标越界
越界通常发生在mid计算溢出,或者边界更新错误两种情况下。如果low + high溢出,mid变成负数,arr[mid]直接抛ArrayIndexOutOfBoundsException。另一个隐蔽的原因是:在查找右边界时返回low - 1,如果low == 0,low - 1就是-1,这时候必须先判断low > 0再使用下标。这也是我在findLast里加if (low > 0)判断的原因。
4.3 典型问题三:死循环,程序一直不退出
死循环的排查思路是模拟一轮迭代。找个具体例子,比如arr = {1, 2},target = 1,闭区间写法中高边界更新成high = mid,看看会发生什么:第一轮low=0,high=1,mid=0,arr[0]==1返回值,没毛病。但如果target = 0,第一轮mid=0,arr[0]=1 > 0,high=mid=0,low=0,第二轮low=0,high=0,还是mid=0,又走到high=mid=0——死循环了。闭区间里high=mid就是元凶,必须high=mid-1。
4.4 快速自查清单
我在面试候选人和Code Review时,会快速过这么一份清单:
| 检查项 | 正确做法 | 错误示例 |
|---|---|---|
| mid计算 | low + (high - low) / 2 或 (low + high) >>> 1 |
(low + high) / 2 |
| 区间定义 | 写清楚是闭区间还是开区间 | 写代码时没有区间概念 |
| 循环条件 | 闭区间用<=,开区间用< |
混用 |
| 边界更新 | high = mid - 1(闭区间)或high = mid(开区间) |
随手写,不推演 |
| 返回插入点 | 负数返回-(insertionPoint) - 1 |
直接返回-1 |
| 重复元素 | findFirst/findLast要单独处理 |
以为普通二分能处理 |
这份清单也是我自己写二分时的“肌肉记忆”。
5. 写在最后的一点体会
我自己踩过最深的坑,不是mid溢出,而是“自以为很懂”之后,在改写findLast时把high = mid和high = mid - 1搞混了,结果在LeetCode上栽了三回才彻底理清。这次经历让我养成一个习惯:任何二分变体,写完先跑三个用例:空数组、单元素数组、全重复数组。这三个用例能覆盖九成以上的边界问题。
说回JDK的那个bug。Joshua Bloch在博客里写道,这个bug是他本人在2006年阅读java.util.Arrays源码时发现的。这个事实本身就很有启发性:我们每天用的工具,哪怕出自顶级工程师之手,也可能潜伏着多年未暴露的问题。写算法的时候多一分敬畏,多一行防御,实际上是在为你未来所有的调用方省时间。下次面试官问“你能手写一个二分查找吗”,不妨在写完mid = low + (high - low) / 2之后,补一句“这个写法是为了防止整数溢出”,这比背一百道八股文都管用。