拥抱 Java 8 并行流吧，速度飞起！

本是古典何须时尚 2023-03-01 10:58 7阅读 0赞

## 前言 ##

在 Java7 之前，如果想要并行处理一个集合，我们需要以下几步：

1.  手动分成几部分 
2.  为每部分创建线程
3.  在适当的时候合并。并且还需要关注多个线程之间共享变量的修改问题。

而 [Java8][] 为我们提供了并行流，可以一键开启并行模式。是不是很酷呢？让我们来看看吧

## 并行流 ##

### 认识和开启并行流 ###

**什么是并行流：** 并行流就是将一个流的内容分成多个数据块，并用不同的线程分别处理每个不同数据块的流。例如有这么一个需求：

有一个 List 集合，而 list 中每个 apple 对象只有重量，我们也知道 apple 的单价是 5元/kg，现在需要计算出每个 apple 的单价，传统的方式是这样：

List<Apple> appleList = new ArrayList<>(); // 假装数据是从库里查出来的
    
    for (Apple apple : appleList) {
        apple.setPrice(5.0 * apple.getWeight() / 1000);
    }

我们通过迭代器遍历 list 中的 apple 对象，完成了每个 apple 价格的计算。而这个算法的时间复杂度是 O(list.size()) 随着 list 大小的增加，耗时也会跟着线性增加。并行流可以大大缩短这个时间。

并行流处理该集合的方法如下：

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

和普通流的区别是这里调用的 `parallelStream()` 方法。当然也可以通过 stream.parallel() 将普通流转换成并行流。推荐看下：[Java 8 创建 Stream 的 10 种方式，][Java 8 _ Stream _ 10]更多可以关注Java技术栈公众号回复java获取系列教程。

并行流也能通过 sequential() 方法转换为顺序流，但要注意：**流的并行和顺序转换不会对流本身做任何实际的变化，仅仅是打了个标记而已。并且在一条流水线上对流进行多次并行 / 顺序的转换，生效的是最后一次的方法调用**

并行流如此方便，它的线程从那里来呢？有多少个？怎么配置呢？

并行流内部使用了默认的 [ForkJoinPool][] 线程池。**默认的线程数量就是处理器的核心数**，而配置系统核心属性：java.util.concurrent.ForkJoinPool.common.parallelism 可以改变线程池大小。不过该值是全局变量。

改变他会影响所有并行流。目前还无法为每个流配置专属的线程数。一般来说采用处理器核心数是不错的选择

### 测试并行流的性能 ###

为了更容易的测试性能，我们在每次计算完苹果价格后，让线程睡 1s，表示在这期间执行了其他 IO 相关的操作，并输出程序执行耗时,顺序执行的耗时：

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("苹果数量：{}个, 耗时：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);
    }

![20200724154509365.jpg][]

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("苹果数量：{}个, 耗时：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);

耗时情况

![20200724154600268.jpg][]

跟我们的预测一致，我的电脑是 四核I5 处理器，开启并行后四个处理器每人执行一个线程，最后 1s 完成了任务！

### 并行流可以随便用吗？ ###

可拆分性影响流的速度

通过上面的测试，有的人会轻易得到一个结论：并行流很快，我们可以完全放弃 foreach/fori/iter 外部迭代，使用 [Stream][Java 8 _ Stream _ 10] 提供的内部迭代来实现了。

事实真的是这样吗？并行流真的如此完美吗？答案当然是否定的。大家可以复制下面的代码，在自己的电脑上测试。测试完后可以发现，并行流并不总是最快的处理方式。

1.  对于 iterate 方法来处理的前 n 个数字来说，不管并行与否，它总是慢于循环的，非并行版本可以理解为流化操作没有循环更偏向底层导致的慢。可并行版本是为什么慢呢？这里有两个需要注意的点：
2.  iterate 生成的是装箱的对象，必须拆箱成数字才能求和
3.  我们很难把 iterate 分成多个独立的块来并行执行
    
    这个问题很有意思，我们必须意识到某些流操作比其他操作更容易并行化。对于 iterate 来说，每次应用这个函数都要依赖于前一次应用的结果。因此在这种情况下，我们不仅不能有效的将流划分成小块处理。反而还因为并行化再次增加了开支。
4.  而对于 LongStream.rangeClosed() 方法来说，就不存在 iterate 的第两个痛点了。它生成的是基本类型的值，不用拆装箱操作，另外它可以直接将要生成的数字 1 - n 拆分成 1 - n/4， 1n/4 - 2n/4， ... 3n/4 - n 这样四部分。因此并行状态下的 rangeClosed() 是快于 for 循环外部迭代的

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;
        }
    }

共享变量修改的问题

并行流虽然轻易的实现了多线程，但是仍未解决多线程中共享变量的修改问题。下面代码中存在共享变量 total，分别使用顺序流和并行流计算前n个自然数的和

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;
        }
    }

顺序执行每次输出的结果都是：50000005000000，而并行执行的结果却五花八门了。这是因为每次访问 totle 都会存在数据竞争，关于数据竞争的原因，大家可以看看关于 [volatile][] 的博客。因此当代码中存在修改共享变量的操作时，是不建议使用并行流的。

并行流的使用注意

在并行流的使用上有下面几点需要注意：

*  尽量使用 LongStream / IntStream / DoubleStream 等原始数据流代替 Stream 来处理数字，以避免频繁拆装箱带来的额外开销
 *  要考虑流的操作流水线的总计算成本，假设 N 是要操作的任务总数，Q 是每次操作的时间。N \* Q 就是操作的总时间，Q 值越大就意味着使用并行流带来收益的可能性越大
    
    例如：前端传来几种类型的资源，需要存储到数据库。每种资源对应不同的表。我们可以视作类型数为 N，存储数据库的网络耗时 + 插入操作耗时为 Q。一般情况下网络耗时都是比较大的。因此该操作就比较适合并行处理。当然当类型数目大于核心数时，该操作的性能提升就会打一定的折扣了。更好的优化方法在日后的博客会为大家奉上
 *  对于较少的数据量，不建议使用并行流
 *  容易拆分成块的流数据，建议使用并行流

以下是一些常见的集合框架对应流的可拆分性能表：

<table> 
 <thead> 
  <tr> 
   <th>源</th> 
   <th>可拆分性</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>ArrayList</td> 
   <td>极佳</td> 
  </tr> 
  <tr> 
   <td>LinkedList</td> 
   <td>差</td> 
  </tr> 
  <tr> 
   <td>IntStream.range</td> 
   <td>极佳</td> 
  </tr> 
  <tr> 
   <td>Stream.iterate</td> 
   <td>差</td> 
  </tr> 
  <tr> 
   <td>HashSet</td> 
   <td>好</td> 
  </tr> 
  <tr> 
   <td>TreeSet</td> 
   <td>好</td> 
  </tr> 
 </tbody> 
</table>

码字不易，如果你觉得读完以后有收获，不妨点个推荐让更多的人看到吧！

[Java8]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247484477&idx=1&sn=14d848faabc84c0b5e3fd4856e9d4bfb&chksm=eb53810bdc24081d0d5cb39be6657535b674fa05faf1c86472e4db0cb9f0cbb2683ba495548b&scene=21#wechat_redirect
[Java 8 _ Stream _ 10]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247490117&idx=3&sn=bb3697ac16082a9d3001ad7036366f9c&chksm=eb539f73dc241665a7340767fbdc61eb0a16b9994c7784aa40ee08604b8fccbd066557f0bea6&scene=21#wechat_redirect
[ForkJoinPool]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247484997&idx=1&sn=51b297dddbbba40912f71236fb297453&chksm=eb538373dc240a654e23578f267ce4a1345b25c4df49475087149b04fd5e3bace29b273376c0&scene=21#wechat_redirect
[20200724154509365.jpg]: /images/20230208/735ada501c994dafaeee902089f74b03.png
[20200724154600268.jpg]: /images/20230208/2919417be12f4f76bd0101b324c4dea7.png
[volatile]: http://mp.weixin.qq.com/s?__biz=MzI3ODcxMzQzMw==&mid=2247483916&idx=1&sn=89daf388da0d6fe40dc54e9a4018baeb&chksm=eb53873adc240e2cf55400f3261228d08fc943c4f196566e995681549c47630b70ac01b75031&scene=21#wechat_redirect