[[357949]]

本文轉(zhuǎn)載自微信公眾號(hào)「小明菜市場(chǎng)」，作者小明菜市場(chǎng)。轉(zhuǎn)載本文請(qǐng)聯(lián)系小明菜市場(chǎng)公眾號(hào)。

前言

在之前如果需要處理集合需要先手動(dòng)分成幾部分，然后為每部分創(chuàng)建線程，最后在合適的時(shí)候合并，這是手動(dòng)處理并行集合的方法，在java8中，有了新功能，可以一下開(kāi)啟并行模式。

并行流

認(rèn)識(shí)開(kāi)啟并行流

并行流是什么?是把一個(gè)流內(nèi)容分成多個(gè)數(shù)據(jù)塊，并用不同線程分別處理每個(gè)不同數(shù)據(jù)塊的流。例如，有下面一個(gè)例子，在List中，需要對(duì)List數(shù)據(jù)進(jìn)行分別計(jì)算，其代碼如下所示：

List<Apple> appleList = new ArrayList<>(); // 假裝數(shù)據(jù)是從庫(kù)里查出來(lái)的 
 
for (Apple apple : appleList) { 
    apple.setPrice(5.0 * apple.getWeight() / 1000); 
} 

在這里，時(shí)間復(fù)雜度為O(list.size)，隨著list的增加，耗時(shí)也在增加。并行流可以解決這個(gè)問(wèn)題，代碼如下所示：

appleList.parallelStream().forEach(apple -> apple.setPrice(5.0 * apple.getWeight() / 1000));

這里通過(guò)調(diào)parallelStream()說(shuō)明當(dāng)前流為并行流，然后進(jìn)行并行執(zhí)行。并行流內(nèi)部使用了默認(rèn)的ForkJoinPool線程池，默認(rèn)線程數(shù)為處理器的核心數(shù)。

測(cè)試并行流

普通代碼如下所示：

public static void main(String[] args) throws InterruptedException { 
    List<Apple> appleList = initAppleList(); 
 
    Date begin = new Date(); 
    for (Apple apple : appleList) { 
        apple.setPrice(5.0 * apple.getWeight() / 1000); 
        Thread.sleep(1000); 
    } 
    Date end = new Date(); 
    log.info("蘋(píng)果數(shù)量：{}個(gè), 耗時(shí)：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); 
} 

輸出的內(nèi)容為耗時(shí)4s。

并行代碼如下所示：

List<Apple> appleList = initAppleList(); 
 
Date begin = new Date(); 
appleList.parallelStream().forEach(apple -> 
                                   { 
                                       apple.setPrice(5.0 * apple.getWeight() / 1000); 
                                       try { 
                                           Thread.sleep(1000); 
                                       } catch (InterruptedException e) { 
                                           e.printStackTrace(); 
                                       } 
                                   } 
                                  ); 
Date end = new Date(); 
log.info("蘋(píng)果數(shù)量：{}個(gè), 耗時(shí)：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); 

輸出結(jié)果為耗時(shí)1s。可以看到耗時(shí)大大提升了3s。

并行流拆分會(huì)影響流的速度

對(duì)于并行流來(lái)說(shuō)需要注意以下幾點(diǎn)：

1. 對(duì)于 iterate 方法來(lái)處理的前 n 個(gè)數(shù)字來(lái)說(shuō)，不管并行與否，它總是慢于循環(huán)的，
2. 而對(duì)于 LongStream.rangeClosed() 方法來(lái)說(shuō)，就不存在 iterate 的第兩個(gè)痛點(diǎn)了。它生成的是基本類型的值，不用拆裝箱操作，另外它可以直接將要生成的數(shù)字 1 - n 拆分成 1 - n/4， 1n/4 - 2n/4， ... 3n/4 - n 這樣四部分。因此并行狀態(tài)下的 rangeClosed() 是快于 for 循環(huán)外部迭代的

代碼如下所示：

package lambdasinaction.chap7; 
 
import java.util.stream.*; 
 
public class ParallelStreams { 
 
    public static long iterativeSum(long n) { 
        long result = 0; 
        for (long i = 0; i <= n; i++) { 
            result += i; 
        } 
        return result; 
    } 
 
    public static long sequentialSum(long n) { 
        return Stream.iterate(1L, i -> i + 1).limit(n).reduce(Long::sum).get(); 
    } 
 
    public static long parallelSum(long n) { 
        return Stream.iterate(1L, i -> i + 1).limit(n).parallel().reduce(Long::sum).get(); 
    } 
 
    public static long rangedSum(long n) { 
        return LongStream.rangeClosed(1, n).reduce(Long::sum).getAsLong(); 
    } 
 
    public static long parallelRangedSum(long n) { 
        return LongStream.rangeClosed(1, n).parallel().reduce(Long::sum).getAsLong(); 
    } 
 
} 
package lambdasinaction.chap7; 
 
import java.util.concurrent.*; 
import java.util.function.*; 
 
public class ParallelStreamsHarness { 
 
    public static final ForkJoinPool FORK_JOIN_POOL = new ForkJoinPool(); 
 
    public static void main(String[] args) { 
        System.out.println("Iterative Sum done in: " + measurePerf(ParallelStreams::iterativeSum, 10_000_000L) + " msecs"); 
        System.out.println("Sequential Sum done in: " + measurePerf(ParallelStreams::sequentialSum, 10_000_000L) + " msecs"); 
        System.out.println("Parallel forkJoinSum done in: " + measurePerf(ParallelStreams::parallelSum, 10_000_000L) + " msecs" ); 
        System.out.println("Range forkJoinSum done in: " + measurePerf(ParallelStreams::rangedSum, 10_000_000L) + " msecs"); 
        System.out.println("Parallel range forkJoinSum done in: " + measurePerf(ParallelStreams::parallelRangedSum, 10_000_000L) + " msecs" ); 
    } 
 
    public static <T, R> long measurePerf(Function<T, R> f, T input) { 
        long fastest = Long.MAX_VALUE; 
        for (int i = 0; i < 10; i++) { 
            long start = System.nanoTime(); 
            R result = f.apply(input); 
            long duration = (System.nanoTime() - start) / 1_000_000; 
            System.out.println("Result: " + result); 
            if (duration < fastest) fastest = duration; 
        } 
        return fastest; 
    } 
} 

共享變量會(huì)造成數(shù)據(jù)出現(xiàn)問(wèn)題

public static long sideEffectSum(long n) { 
    Accumulator accumulator = new Accumulator(); 
    LongStream.rangeClosed(1, n).forEach(accumulator::add); 
    return accumulator.total; 
} 
 
public static long sideEffectParallelSum(long n) { 
    Accumulator accumulator = new Accumulator(); 
    LongStream.rangeClosed(1, n).parallel().forEach(accumulator::add); 
    return accumulator.total; 
} 
 
public static class Accumulator { 
    private long total = 0; 
 
    public void add(long value) { 
        total += value; 
    } 
} 

并行流的注意

1. 盡量使用 LongStream / IntStream / DoubleStream 等原始數(shù)據(jù)流代替 Stream 來(lái)處理數(shù)字，以避免頻繁拆裝箱帶來(lái)的額外開(kāi)銷
2. 要考慮流的操作流水線的總計(jì)算成本，假設(shè) N 是要操作的任務(wù)總數(shù)，Q 是每次操作的時(shí)間。N * Q 就是操作的總時(shí)間，Q 值越大就意味著使用并行流帶來(lái)收益的可能性越大
3. 對(duì)于較少的數(shù)據(jù)量，不建議使用并行流
4. 容易拆分成塊的流數(shù)據(jù)，建議使用并行流