什么是并行流

本篇內容介紹了“什么是并行流”的有關知識，在實際案例的操作過程中，不少人都會遇到這樣的困境，接下來就讓小編帶領大家學習一下如何處理這些情況吧！希望大家仔細閱讀，能夠學有所成！

并行流

認識開啟并行流

并行流是什么?是把一個流內容分成多個數據塊，并用不同線程分別處理每個不同數據塊的流。例如，有下面一個例子，在List中，需要對List數據進行分別計算，其代碼如下所示：

List<Apple> appleList = new ArrayList<>(); // 假裝數據是從庫里查出來的  for (Apple apple : appleList) {     apple.setPrice(5.0 * apple.getWeight() / 1000); }

在這里，時間復雜度為O(list.size)，隨著list的增加，耗時也在增加。并行流可以解決這個問題，代碼如下所示：

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

這里通過調parallelStream()說明當前流為并行流，然后進行并行執行。并行流內部使用了默認的ForkJoinPool線程池，默認線程數為處理器的核心數。

測試并行流

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("蘋果數量：{}個, 耗時：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); }

輸出的內容為耗時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("蘋果數量：{}個, 耗時：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);

輸出結果為耗時1s。可以看到耗時大大提升了3s。

并行流拆分會影響流的速度

對于并行流來說需要注意以下幾點：

1. 對于 iterate 方法來處理的前 n 個數字來說，不管并行與否，它總是慢于循環的，

2. 而對于 LongStream.rangeClosed() 方法來說，就不存在 iterate  的第兩個痛點了。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。因此并行狀態下的 rangeClosed() 是快于 for 循環外部迭代的

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;     } }

共享變量會造成數據出現問題

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 等原始數據流代替 Stream  來處理數字，以避免頻繁拆裝箱帶來的額外開銷

2. 要考慮流的操作流水線的總計算成本，假設 N 是要操作的任務總數，Q 是每次操作的時間。N * Q 就是操作的總時間，Q  值越大就意味著使用并行流帶來收益的可能性越大

3. 對于較少的數據量，不建議使用并行流

4. 容易拆分成塊的流數據，建議使用并行流

“什么是并行流”的內容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業相關的知識可以關注億速云網站，小編將為大家輸出更多高質量的實用文章！