擁抱並行流，提高程序執行速度

前言

在 Java7 之前，如果想要並行處理一個集合，我們需要以下幾步 1. 手動分成幾部分 2. 為每部分創建線程 3. 在適當的時候合並。並且還需要關注多個線程之間共享變量的修改問題。而 Java8 為我們提供了並行流，可以一鍵開啟並行模式。是不是很酷呢？讓我們來看看吧

聲明：本文首發於博客園，作者：后青春期的Keats；地址：https://www.cnblogs.com/keatsCoder/ 轉載請注明，謝謝！

並行流

認識和開啟並行流

什么是並行流：並行流就是將一個流的內容分成多個數據塊，並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()) 隨着 list 大小的增加，耗時也會跟着線性增加。並行流

可以大大縮短這個時間。並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() 將普通流轉換成並行流。並行流也能通過 sequential() 方法轉換為順序流，但要注意：流的並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。並且在一條流水線上對流進行多次並行 / 順序的轉換，生效的是最后一次的方法調用

並行流如此方便，它的線程從那里來呢？有多少個？怎么配置呢？

並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。改變他會影響所有並行流。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

測試並行流的性能

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，並輸出程序執行耗時,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);
}

並行版本

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，開啟並行后四個處理器每人執行一個線程，最后 1s 完成了任務！

並行流可以隨便用嗎？

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：並行流很快，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？並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，並行流並不總是最快的處理方式。

1. 對於 iterate 方法來處理的前 n 個數字來說，不管並行與否，它總是慢於循環的，非並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。可並行版本是為什么慢呢？這里有兩個需要注意的點：

   1. iterate 生成的是裝箱的對象，必須拆箱成數字才能求和

   2. 我們很難把 iterate 分成多個獨立的塊來並行執行

      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並行化。對於 iterate 來說，每次應用這個函數都要依賴於前一次應用的結果。因此在這種情況下，我們不僅不能有效的將流划分成小塊處理。反而還因為並行化再次增加了開支。

2. 而對於 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。因此並行狀態下的 rangeClosed() 是快於 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

並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，分別使用順序流和並行流計算前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，而並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，關於數據競爭的原因，大家可以看看關於 volatile 的博客。因此當代碼中存在修改共享變量的操作時，是不建議使用並行流的。

並行流的使用注意

在並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 值越大就意味着使用並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並行處理。當然當類型數目大於核心數時，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

• 對於較少的數據量，不建議使用並行流

• 容易拆分成塊的流數據，建議使用並行流

以下是一些常見的集合框架對應流的可拆分性能表

源	可拆分性
ArrayList	極佳
LinkedList	差
IntStream.range	極佳
Stream.iterate	差
HashSet	好
TreeSet	好

碼字不易，如果你覺得讀完以后有收獲，不妨點個推薦讓更多的人看到吧！