Java 8 Stream 流如何使用3-并行数据处理与性能

本篇内容

1. 用并行流并行处理数据
2. 并行流的性能分析
3. 分支/合并框架
4. 使用Spliterator分割流

1. 并行流

前面我们简要地提到了Stream接口可以让你非常方便地处理它的元素：可以通过对收集源调用parallelStream方法来把集合转换为并行流。并行流就是一个把内容分成多个数据块，并用不同的线程分别处理每个数据块的流。这样一来，你就可以自动把给定操作的工作负荷分配给多核处理器的所有内核，让它们都忙起来。

1.1 将顺序流转换为并行流

你可以把流转换成并行流，从而让前面的函数归约过程（也就是求和）
并行运行——对顺序流调用parallel方法
    public static void parallelStream(int n) {
   
        Stream.iterate(1L, i -> i + 1L)
                .limit(n)
                .parallel()
                .reduce(0L, Long::sum);
    }

    请注意，在现实中，对顺序流调用parallel方法并不意味着流本身有任何实际的变化。它在内部实际上就是设了一个boolean标志，表示你想让调用parallel之后进行的所有操作都并行执行。类似地，你只需要对并行流调用sequential方法就可以把它变成顺序流。请注意，你可能以为把这两个方法结合起来，就可以更细化地控制在遍历流时哪些操作要并行执行，哪些要顺序执行。例如，你可以这样做：

但最后一次parallel或sequential调用会影响整个流水线。
在本例中，流水线会并行执行，因为最后调用的是它。
Stream.parallel() 
	  .filter(...) 
	  .sequential() 
	  .map(...) 
	  .parallel() 
	  .reduce();

配置并行流使用的线程池

看看流的parallel方法，你可能会想，并行流用的线程是从哪儿来的？有多少个？怎么自定义这个过程呢？
并行流内部使用了默认的ForkJoinPool（2节会进一步讲到分支/合并框架），它默认的线程数量就是你的处理器数量，这个值是由Runtime.getRuntime().availableProcessors()得到的。但是你可以通过系统属性 java.util.concurrent.ForkJoinPool.common. parallelism来改变线程池大小，如下所示：
System.setProperty(“java.util.concurrent.ForkJoinPool.common.parallelism”,“12”);
这是一个全局设置，因此它将影响代码中所有的并行流。反过来说，目前还无法专为某个并行流指定这个值。一般而言，让ForkJoinPool的大小等于处理器数量是个不错的默认值，除非你有很好的理由，否则我们强烈建议你不要修改它。

1.2 测量流性能

    我们声称并行求和方法应该比顺序和迭代方法性能好。然而在软件工程上，靠猜绝对不是什么好办法！特别是在优化性能时，你应该始终遵循三个黄金规则：测量，测量，再测量。

    /**
     * 这个方法接受一个函数和一个long作为参数。它会对传给方法的long应用函数10次，记录
     * 每次执行的时间（以毫秒为单位），并返回最短的一次执行时间。假设你把先前开发的所有方法
     * 都放进了一个名为ParallelStreams的类，你就可以用这个框架来测试顺序加法器函数对前一
     * 千万个自然数求和要用多久
     */
    public static long measureSumPerf(Function<Long, Long> adder, long n) {
   
        long fastest = Long.MAX_VALUE;
        for (int i = 0; i < 10; i++) {
   
            long start = System.nanoTime();
            long sum = adder.apply(n);
            long duration = (System.nanoTime() - start) / 1_000_000;
            System.out.println("Result: " + sum);
            if (duration < fastest) fastest = duration;
        }
        return fastest;
    }

    System.out.println("Sequential sum done in:"
                +measureSumPerf(ParallelStreams::sequentialSum,10_000_000)+" msecs");
       结果:Sequential sum done in:77 msecs
        /**
         * 用传统for循环的迭代版本执行起来应该会快很多，因为它更为底层，更重要的是不需要对
         * 原始类型做任何装箱或拆箱操作。如果你试着测量它的性能，
         */

        System.out.println("Iterative sum done in:"
                +measureSumPerf(ParallelStreams::iterativeSum,10_000_000)+" msecs");
         
         结果:Iterative sum done in:2 msecs
         
        System