怎么理解Java 8并行流

本篇內容主要講解“怎么理解Java 8并行流”，感興趣的朋友不妨來看看。本文介紹的方法操作簡單快捷，實用性強。下面就讓小編來帶大家學習“怎么理解Java 8并行流”吧!

并行流

認識和開啟并行流

什么是并行流： 并行流就是將一個流的內容分成多個數據塊，并用不同的線程分別處理每個不同數據塊的流。例如有這么一個需求：

有一個 List 集合，而 list 中每個 apple 對象只有重量，我們也知道 apple 的單價是 5元/kg，現在需要計算出每個 apple 的單價，傳統的方式是這樣：

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);  }

我們通過迭代器遍歷 list 中的 apple 對象，完成了每個 apple 價格的計算。而這個算法的時間復雜度是 O(list.size()) 隨著 list 大小的增加，耗時也會跟著線性增加。并行流可以大大縮短這個時間。

并行流處理該集合的方法如下：

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

和普通流的區別是這里調用的 parallelStream() 方法。當然也可以通過 stream.parallel() 將普通流轉換成并行流。推薦看下：Java 8 創建 Stream 的 10 種方式，更多可以關注Java技術棧公眾號回復java獲取系列教程。

并行流也能通過 sequential() 方法轉換為順序流，但要注意：流的并行和順序轉換不會對流本身做任何實際的變化，僅僅是打了個標記而已。并且在一條流水線上對流進行多次并行 / 順序的轉換，生效的是最后一次的方法調用

并行流如此方便，它的線程從那里來呢？有多少個？怎么配置呢？

并行流內部使用了默認的 ForkJoinPool 線程池。默認的線程數量就是處理器的核心數，而配置系統核心屬性：java.util.concurrent.ForkJoinPool.common.parallelism 可以改變線程池大小。不過該值是全局變量。

改變他會影響所有并行流。目前還無法為每個流配置專屬的線程數。一般來說采用處理器核心數是不錯的選擇

測試并行流的性能

為了更容易的測試性能，我們在每次計算完蘋果價格后，讓線程睡 1s，表示在這期間執行了其他 IO 相關的操作，并輸出程序執行耗時,順序執行的耗時：

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);  }

并行版本

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);

耗時情況

跟我們的預測一致，我的電腦是 四核I5 處理器，開啟并行后四個處理器每人執行一個線程，最后 1s 完成了任務！

并行流可以隨便用嗎？

可拆分性影響流的速度

通過上面的測試，有的人會輕易得到一個結論：并行流很快，我們可以完全放棄 foreach/fori/iter 外部迭代，使用 Stream 提供的內部迭代來實現了。

事實真的是這樣嗎？并行流真的如此完美嗎？答案當然是否定的。大家可以復制下面的代碼，在自己的電腦上測試。測試完后可以發現，并行流并不總是最快的處理方式。

1. 鴻蒙官方戰略合作共建——HarmonyOS技術社區

2.  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，非并行版本可以理解為流化操作沒有循環更偏向底層導致的慢。可并行版本是為什么慢呢？這里有兩個需要注意的點：

    2.  iterate 生成的是裝箱的對象，必須拆箱成數字才能求和

    3.  我們很難把 iterate 分成多個獨立的塊來并行執行

        這個問題很有意思，我們必須意識到某些流操作比其他操作更容易并行化。對于 iterate 來說，每次應用這個函數都要依賴于前一次應用的結果。因此在這種情況下，我們不僅不能有效的將流劃分成小塊處理。反而還因為并行化再次增加了開支。

    4.  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

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;      }  }

共享變量修改的問題

并行流雖然輕易的實現了多線程，但是仍未解決多線程中共享變量的修改問題。下面代碼中存在共享變量 total，分別使用順序流和并行流計算前n個自然數的和

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;      }  }

順序執行每次輸出的結果都是：50000005000000，而并行執行的結果卻五花八門了。這是因為每次訪問 totle 都會存在數據競爭，關于數據競爭的原因，大家可以看看關于 volatile 的博客。因此當代碼中存在修改共享變量的操作時，是不建議使用并行流的。

并行流的使用注意

在并行流的使用上有下面幾點需要注意：

•  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

•  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

例如：前端傳來幾種類型的資源，需要存儲到數據庫。每種資源對應不同的表。我們可以視作類型數為 N，存儲數據庫的網絡耗時 + 插入操作耗時為 Q。一般情況下網絡耗時都是比較大的。因此該操作就比較適合并行處理。當然當類型數目大于核心數時，該操作的性能提升就會打一定的折扣了。更好的優化方法在日后的博客會為大家奉上

•  對于較少的數據量，不建議使用并行流

•  容易拆分成塊的流數據，建議使用并行流

以下是一些常見的集合框架對應流的可拆分性能表：

到此，相信大家對“怎么理解Java 8并行流”有了更深的了解，不妨來實際操作一番吧！這里是億速云網站，更多相關內容可以進入相關頻道進行查詢，關注我們，繼續學習！