Java8中并行化流parallel的使用

场景

Java8新特性-Stream对集合进行操作的常用API：

Java8新特性-Stream对集合进行操作的常用API_霸道流氓气质的博客-CSDN博客_javalist.stream

前面讲Stream的常用api的使用，在处理一些集合数据时很方便，但是在执行一些耗时或是占用资源很高的任务的

时候，串行化的流无法带来速度/性能上的提升，除了使用多线程来并行执行任务之外，Stream中也提供了这样的方法。

parallelStream()方法或者是使用stream().parallel()来转化为并行流。

并行和并发

1、并发是两个任务共享时间段，并行是两个任务在同一时间发生，比如运行在多核CPU上。

如果一个程序要运行两个任务并且只有一个CPU给它们分配了不同的时间片，那么这就是并发，而不是并行。

 

2、并行化是指为缩短任务执行时间，将一个任务分解成几个部分，然后并行执行。这和顺序执行的任务量是一样的，区别就是

用更多的马来拉车，花费的时间自然少。实际上，和顺序执行相比，并行化执行任务时，CPU承载的工作量更大。

3、数据并行化是指将数据分成块，为每块数据分配单独的数据单元，就像从车里取出一些货物，放到另一辆车上，两辆马车

都沿着同样的路径到达目的地。

4、当需要在大量数据上执行同样的操作时，数据并行化很管用。它将问题分解成可以在多块数据上求解的形式，然后对每块数据执行运算，

最后将各数据块上得到的结果汇总，从而获得答案。

5、任务并行化与数据并行化不同，在任务并行化中，线程不同，工作各异，每个线程不光可以为不同用户服务，还可以为同一个用户执行不同的任务。

并行化流

并行化操作流只需要改变一个方法调用。如果已经有Stream对象，调用它的parallel方法就可以。如果想要从一个集合类创建一个流，调用

parrallelStream能获取。

看一个具体例子

 

但是并行化运行流不一定比串行化运行更快。

以上面的例子为例，在一个四核电脑上，如果有10张专辑，串行化代码的速度是并行化代码速度的8倍；

如果将专辑数量增至100张，串行化和并行化速度相当；

如果将专辑数量增至10000张，则并行化代码的速度是串行化速度的2.5倍。

注：

博客：
霸道流氓气质的博客_CSDN博客-C#,架构之路,SpringBoot领域博主
关注公众号
霸道的程序猿
获取编程相关电子书、教程推送与免费下载。

实现

1、下面拿一个简单的例子测试下

统计1到某个范围内的所有质数的数量

package com.ruoyi.demo.java8demo;

import java.time.Duration;
import java.time.Instant;
import java.util.stream.IntStream;

public class parallelDemo {
    public static void main(String[] args) {

        Instant begin = Instant.now();
        //串行操作
        //long count = IntStream.range(1, 1000000).filter(parallelDemo::isPrime).count();//404
        //并行操作
        //long count1 = IntStream.range(1, 1000000).parallel().filter(parallelDemo::isPrime).count();//166
        //串行操作
        //long count = IntStream.range(1, 100000).filter(parallelDemo::isPrime).count();//62
        //并行操作
        long count1 = IntStream.range(1, 100000).parallel().filter(parallelDemo::isPrime).count();//72
        Instant end = Instant.now();
        System.out.println("耗时:"+ Duration.between(begin, end).toMillis());
    }

    private static boolean isPrime(int number){
        int x = number;
        if(x<2){
            return  false;
        }
        for(int i =2;i<Math.sqrt(x);++i){
            if(x % i == 0){
                return  false;
            }
        }
        return true;
    }
}

后面跟的是不同数量下的耗时，可以发现并行化不一定比串行化速度快。

2、影响性能因素

数据大小

输入数据的大小会影响并行化处理对性能的提升。将问题分解之后并行化处理，再将结果合并会带来额外的开销。因此

只有数据足够大、每个数据处理管道花费的时间足够多，并行化处理采用意义。

元数据结构

每个管道的操作都基于一些初始化数据源，通常是集合。将不同的数据源分割相对容易，这里的开销影响了在管道并行处理数据时到底能带来

多少性能上的提升。

装箱

处理基本类型比处理装箱类型要快。

核的数量

极端情况下，只有一个核，因此完全没必要并行化。拥有的核越多，获得潜在性能提升的幅度越大。在实践中，核的数量不单指你的机器上有多少核，

更是指运行时你的机器能使用多少核。也就是说同行运行的其他进程，或者线程关联性会影响性能。

单元处理开销

比如数据大小，这是一场并行执行花费时间和分解合并操作开销之间的战争。花在流中每个元素身上的时间越长，并行操作带来的性能提升越明显。