【JDK8 新特性 7】并行的Stream流&parallelStream背后的技术

叫我阿杰好了

已于 2022-08-11 10:10:14 修改

阅读量523

点赞数 4

分类专栏： # JDK8 文章标签： java 开发语言 jdk8 java8 JAVA8

于 2022-06-08 15:28:13 首次发布

本文链接：https://blog.csdn.net/weixin_53041251/article/details/125185507

版权

JDK8 专栏收录该内容

8 篇文章 0 订阅

订阅专栏

上一篇文章：(1条消息) 【JDK8 新特性 6】收集Stream流中的结果_一切总会归于平淡的博客-CSDN博客

3、parallelStream线程安全问题

4、parallelStream背后的技术

4.1 Fork/Join框架介绍

4.2 Fork/Join原理-分治法

4.3 Fork/Join原理-工作窃取算法

4.4 Fork/Join案例

目前我们使用的Stream流是串行的，就是在一个线程上执行。

1、获取并行Stream流的两种方式

parallelStream是一个并行执行的流。它通过默认的ForkJoinPool，可能提高多线程任务的速度。

1.1 直接获取并行的流

1.2 将串行流转成并行流

2、并行和串行Stream流的效率对比

使用for循环，串行Stream流，并行Stream流来对5亿个数字求和。然后我们就看各自的消耗的时间。、

首先我们看看for循环的表现如何。

然后是串行的表现：

最后就是我们的并行了

我们可以看到parallelStream的效率是最高的。

Stream并行处理的过程会分而治之，也就是将一个大任务切分成多个小任务，这表示每个任务都是一个操作。

3、parallelStream线程安全问题

我们先来看一段代码的执行效果。、

我们明明是往集合中添加1000个元素，而实际上只有894个元素。

解决方法：加锁、使用线程安全的集合或者调用Stream的 toArray() / collect() 操作就是满足线程安全的了。

加锁：

使用线程安全的集合：

调用Stream的 toArray() / collect()

4、parallelStream背后的技术

4.1 Fork/Join框架介绍

parallelStream使用的是Fork/Join框架。
Fork/Join框架自JDK 7引入。
Fork/Join框架可以将一个大任务拆分为很多小任务来异步执行。

Fork/Join框架主要包含三个模块：

线程池：ForkJoinPool
任务对象：ForkJoinTask
执行任务的线程：ForkJoinWorkerThread

4.2 Fork/Join原理-分治法

ForkJoinPool主要用来使用分治法(Divide-and-Conquer Algorithm)来解决问题。

典型的应用比如快速排序算法， ForkJoinPool需要使用相对少的线程来处理大量的任务。

比如要对1000万个数据进行排序，那么会将这个任务分割成两个500万的排序任务和一个针对这两组500万数据的合并任务。

以此类推，对于500万的数据也会做出同样的分割处理，到最后会设置一个阈值来规定当数据规模到多少时，停止这样的分割处理。

比如，当元素的数量小于10时，会停止分割，转而使用插入排序对它们进行排序。

那么到最后，所有的任务加起来会有大概2000000+个。

问题的关键在于，对于一个任务而言，只有当它所有的子任务完成之后，它才能够被执行。

4.3 Fork/Join原理-工作窃取算法

Fork/Join最核心的地方就是利用了现代硬件设备多核，在一个操作时候会有空闲的cpu，那么如何利用好这个空闲的cpu就成了提高性能的关键，而这里我们要提到的工作窃取（work-stealing）算法就是整个Fork/Join框架的核心理念。

Fork/Join工作窃取（work-stealing）算法是指某个线程从其他队列里窃取任务来执行。

那么为什么需要使用工作窃取算法呢？

优点：

假如我们需要做一个比较大的任务，我们可以把这个任务分割为若干互不依赖的子任务，为了减少线程间的竞争，于是把这些子任务分别放到不同的队列里，并为每个队列创建一个单独的线程来执行队列里的任务，线程和队列一一对应，比如A线程负责处理A队列里的任务。

但是有的线程会先把自己队列里的任务干完，而其他线程对应的队列里还有任务等待处理。

干完活的线程与其等着，不如去帮其他线程干活，于是它就去其他线程的队列里窃取一个任务来执行。

而在这时它们会访问同一个队列，所以为了减少窃取任务线程和被窃取任务线程之间的竞争，通常会使用双端队列，被窃取任务线程永远从双端队列的头部拿任务执行，而窃取任务的线程永远从双端队列的尾部拿任务执行。

缺点：

工作窃取算法的优点是充分利用线程进行并行计算，并减少了线程间的竞争，其缺点是在某些情况下还是存在竞争，比如双端队列里只有一个任务时。并且消耗了更多的系统资源，比如创建多个线程和多个双端队列。

上文中已经提到了在Java 8引入了自动并行化的概念。它能够让一部分Java代码自动地以并行的方式执行，也就是我们使用了ForkJoinPool的ParallelStream。

对于ForkJoinPool通用线程池的线程数量，通常使用默认值就可以了，即运行时计算机的处理器数量。可以通过设置系统属性：java.util.concurrent.ForkJoinPool.common.parallelism=N （N为线程数量），来调整ForkJoinPool的线程数量，可以尝试调整成不同的参数来观察每次的输出结果。

4.4 Fork/Join案例

需求：

使用Fork/Join计算1-10000的和，当一个任务的计算数量大于3000时拆分任务，数量小于3000时计算。

首先我们新建一个类并让其继承 RecursiveTask

package com.jie.test;

import java.util.concurrent.RecursiveTask;

/**
 * @description:进行求和 RecursiveTask ： 一个任务
 * @author: jie
 * @time: 2022/6/7 0:15
 */
public class SumRecursiveTask extends RecursiveTask<Long> {
    /**
     * 拆分的临界值
     */
    private static final long THRESHOLD = 3000L;

    /**
     * 起始值
     */
    private final long start;

    /**
     * 结束值
     */
    private final long end;

    public SumRecursiveTask(long start, long end) {
        this.start = start;
        this.end = end;
    }

    /**
     * @description: 计算
     * @author: jie
     * @time: 2022/6/7 0:17
     */
    @Override
    protected Long compute() {
        long length = end - start;
        // 如果拆分后的值小于三千
        if (length <= THRESHOLD) {
            // 任务不用再拆分了.可以计算了
            long sum = 0;
            for (long i = start; i <= end; i++) {
                sum += i;
            }
            System.out.println("计算: " + start + " -> " + end + ",结果为: " + sum);
            return sum;
        } else {
            // 数量大于预定的数量,任务还需要再拆分
            long middle = (start + end) / 2;
            System.out.println("拆分: 左边 " + start + " -> " + middle + ", 右边 " + (middle + 1) + " -> " + end);
            // 左边的变量
            SumRecursiveTask left = new SumRecursiveTask(start, middle);
            // 表示新开了一个任务
            left.fork();
            SumRecursiveTask right = new SumRecursiveTask(middle + 1, end);
            right.fork();
            return left.join() + right.join();
        }
    }
}

然后我们进行测试：