有两种数据结构（散列表和链表）经常会被放在一起使用。前面的章节中有两个地方讲到散列表和链表的组合使用，分别是：
另外，Java中有一个容器LinkedHashMap也使用到散列表和链表。
下面我们来看看这几个问题，散列表和链表是如何组合使用的。
LRU缓存淘汰算法
首先来回顾一下当时是如何通过链表实现LRU缓存淘汰算法的。
当缓存空间不够，需要淘汰一个数据的时候，就直接将链表头部的结点删除。
当缓存某个数据的时候，先在链表中查找这个数据，如果没有找到，则直接将数据放到链表的尾部；如果找到，就把它移动到链表的尾部。
总结一下，一个缓存（cache）系统主要包含下面几个操作：
1. 往缓存中添加一个数据；
2. 从缓存中删除一个数据；
3. 在缓存中查找一个数据；
因为查找数据需要遍历链表，所以使用链表实现的LRU缓存淘汰算法的时候复杂度是O(n)。
如果将散列表和链表两种数据结构组合使用，就可以把这三个操作的时间复杂度都降低到O(1)。
具体的结构如下：
使用双向链表存储数据，链表中的每个结点处理存储数据（data）、前驱指针（prev）、后继指针（next）、还有一个特殊字段hnext，是为了将结点串在散列表的拉链中。
再来看看，缓存的三个操作是如何做到时间复杂度是O(1)的。
如何查找一个数据
通过散列表可以很快找到一个数据，然后移到双向链表的尾部。
如何删除一个数据
通过散列表在O(1)时间内找到结点，再通过双向链表找到前驱结点，删除当前结点。
如何添加一个数据
添加数据到缓存稍微有点麻烦。需要先看这个数据是否在缓存中。
如果在，移到双向链表的尾部；
如果不在，还要看缓存是否满；
如果满了，就将双向链表头部的结点删除，然后再将数据放到链表的尾部；
如果没满，就直接将数据放到链表的尾部。
到此，通过散列表和双向链表的组合使用，实现了一个高效的、支持LRU缓存淘汰算法的缓存系统原型。
Redis有序集合
在有序集合中，每个成员对象有两个重要的属性，key（键值）和score（分值）。不仅会通过score来查找数据，还会通过key来查找数据。
细化一下Redis有序集合的操作：
1. 添加一个成员对象；
2. 按照键值来删除一个成员对象；
3. 按照键值来查找一个成员对象；
4. 按照分值区间查找数据，比如查找积分在[100, 356]之间的成员对象；
5. 按照分值从小到大排序成员变量；
如果仅仅按照分值将成员对象组织成跳表结构，那按照键值来删除、查询成员对象就会很慢。解决办法跟LRU缓存淘汰算法类似，再按照键值构建一个散列表，这样按照key来删除、查找一个成员对象的时间复杂度就变成了O(1)。
Java LinkedHashMap
看一下这段代码：
// 10是初始大小，0.75是装载因子，true是表示按照访问时间排序
HashMap<Integer, Integer> m = new LinkedHashMap<>(10, 0.75f, true);
m.put(3, 11);
m.put(1, 12);
m.put(5, 23);
m.put(2, 22);
m.put(3, 26);
m.get(5);
for (Map.Entry e : m.entrySet()) {
System.out.println(e.getKey());
}
这段代码打印的结果是1，2，3，5。
每次调用put()函数，往LinkedHashMap中添加数据的时候，都会将数据添加到链表的尾部。
前6行代码执行后的效果：
第7行代码（m.put(3, 26);）执行后的效果：
第8行代码（m.get(5);）执行后的效果：
LinkedHashMap是通过双向链表和散列表这两种数据结构组合实现的。LinkedHashMap中的“Linked”实际上是指的是双向链表，并非指用链表法解决散列冲突。
总结一下，为什么散列表和链表经常一起使用？
散列表这种数据结构虽然支持非常高效的数据插入、删除、查找操作，但是散列表中的数据都是通过散列函数打乱之后无规律存储的。
因为散列表是动态数据结构，不停地有数据的插入、删除，所以每当希望按顺序遍历散列表中的数据的时候，都需要先排序，那效率就很低。为了解决这个问题，将散列表和链表（或者跳表）结合在一起使用。