rocketmq教程教程，JDK8 Stream 数据流效率分析

①只能遍历一次：

数据流的从一头获取数据源，在流水线上依次对元素进行操作，当元素通过流水线，便无法再对其进行操作，可以重新在数据源获取一个新的数据流进行操作；

②采用内部迭代的方式：

对Collection进行处理，一般会使用 Iterator 遍历器的遍历方式，这是一种外部迭代；

而对于处理Stream，只要申明处理方式，处理过程由流对象自行完成，这是一种内部迭代，对于大量数据的迭代处理中，内部迭代比外部迭代要更加高效；

stream 相对于 Collection 的优点

---

• 无存储：流并不存储值；流的元素源自数据源（可能是某个数据结构、生成函数或I/O通道等等），通过一系列计算步骤得到；

• 函数式风格：对流的操作会产生一个结果，但流的数据源不会被修改；

• 惰性求值：多数流操作（包括过滤、映射、排序以及去重）都可以以惰性方式实现。这使得我们可以用一遍遍历完成整个流水线操作，并可以用短路操作提供更高效的实现；

• 无需上界：不少问题都可以被表达为无限流（infinite stream）：用户不停地读取流直到满意的结果出现为止（比如说，枚举 完美数 这个操作可以被表达为在所有整数上进行过滤）；集合是有限的，但流可以表达为无线流；

• 代码简练：对于一些collection的迭代处理操作，使用 stream 编写可以十分简洁，如果使用传统的 collection 迭代操作，代码可能十分啰嗦，可读性也会比较糟糕；

stream 和 iterator 迭代的效率比较

---

好了，上面 stream 的优点吹了那么多，stream 函数式的写法是很舒服，那么 steam 的效率到底怎样呢？

先说结论：

• 传统 iterator (for-loop) 比 stream(JDK8) 迭代性能要高，尤其在小数据量的情况下；

• 在多核情景下，对于大数据量的处理，parallel stream 可以有比 iterator 更高的迭代处理效率；

我分别对一个随机数列 List （数量从 10 到 10000000）进行映射、过滤、排序、规约统计、字符串转化场景下，对使用 stream 和 iterator 实现的运行效率进行了统计。

测试环境如下：

_System：Ubuntu 16.04 xenial

CPU：Intel Core i7-8550U

RAM：16GB

JDK version：1.8.0_151

JVM：HotSpot™ 64-Bit Server VM (build 25.151-b12, mixed mode)

JVM Settings:

-Xms1024m

-Xmx6144m

-XX:MaxMetaspaceSize=512m

-XX:ReservedCodeCacheSize=1024m

-XX:+UseConcMarkSweepGC

-XX:SoftRefLRUPolicyMSPerMB=100_

1.映射处理测试

把一个随机数列（List）中的每一个元素自增1后，重新组装为一个新的 List，测试的随机数列容量从 10 - 10000000，跑10次取平均时间；

`//stream`

`List<Integer> result = list.stream()`

`.mapToInt(x -> x)`

`.map(x -> ++x)`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));`

`//iterator`

`List<Integer> result = new ArrayList<>();`

`for(Integer e : list){`

 `result.add(++e);`

`}`

`//parallel stream`

`List<Integer> result = list.parallelStream()`

`.mapToInt(x -> x)`

`.map(x -> ++x)`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));` 

2. 过滤处理测试

取出一个随机数列（List）中的大于 200 的元素，并组装为一个新的 List，测试的随机数列容量从 10 - 10000000，跑10次取平均时间；

`//stream`

`List<Integer> result = list.stream()`

`.mapToInt(x -> x)`

`.filter(x -> x > 200)`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));`

`//iterator`

`List<Integer> result = new ArrayList<>(list.size());`

`for(Integer e : list){`

 `if(e > 200){`

 `result.add(e);`

 `}`

`}`

`//parallel stream`

`List<Integer> result = list.parallelStream()`

`.mapToInt(x -> x)`

`.filter(x -> x > 200)`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));` 

3. 自然排序测试

对一个随机数列（List）进行自然排序，并组装为一个新的 List，iterator 使用的是 Collections # sort API（使用归并排序算法实现），测试的随机数列容量从 10 - 10000000，跑10次取平均时间；

`//stream`

`List<Integer> result = list.stream()`

`.mapToInt(x->x)`

`.sorted()`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));`

`//iterator`

`List<Integer> result = new ArrayList<>(list);`

`Collections.sort(result);`

`//parallel stream`

`List<Integer> result = list.parallelStream()`

`.mapToInt(x->x)`

`.sorted()`

`.boxed()`

`.collect(Collectors.toCollection(ArrayList::new));` 

4. 归约统计测试

获取一个随机数列（List）的最大值，测试的随机数列容量从 10 - 10000000，跑10次取平均时间；

`//stream`

`int max = list.stream()`

`.mapToInt(x -> x)`

`.max()`

`.getAsInt();`

`//iterator`

`int max = -1;`

`for(Integer e : list){`

 `if(e > max){`

 `max = e;`

 `}`

`}`

`//parallel stream`

`int max = list.parallelStream()`

`.mapToInt(x -> x)`

`.max()`

`.getAsInt();` 

最后

2020年在匆匆忙忙慌慌乱乱中就这么度过了，我们迎来了新一年，互联网的发展如此之快，技术日新月异，更新迭代成为了这个时代的代名词，坚持下来的技术体系会越来越健壮，JVM作为如今是跳槽大厂必备的技能，如果你还没掌握，更别提之后更新的新技术了。

更多JVM面试整理：

oInt(x -> x)`

.max()

.getAsInt();

# 最后

2020年在匆匆忙忙慌慌乱乱中就这么度过了，我们迎来了新一年，互联网的发展如此之快，技术日新月异，更新迭代成为了这个时代的代名词，坚持下来的技术体系会越来越健壮，JVM作为如今是跳槽大厂必备的技能，如果你还没掌握，更别提之后更新的新技术了。

[外链图片转存中...(img-rkli1LWG-1628225395373)]

**更多JVM面试整理：**

[外链图片转存中...(img-G5AviTfp-1628225395375)]



**[点击这里免费下载“百万级”「JVM笔记」](https://gitee.com/vip204888/java-p7)**