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

手動分成幾部分為每部分建立執行緒在適當的時候合併。

並且還需要關注多個執行緒之間共享變數的修改問題。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

並行流認識和開啟並行流

什麼是並行流： 並行流就是將一個流的內容分成多個數據塊，並用不同的執行緒分別處理每個不同資料塊的流。例如有這麼一個需求：

有一個 List 集合，而 list 中每個 apple 物件只有重量，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<>(); // 假裝資料是從庫裡查出來的for (Apple apple : appleList) {    apple.setPrice(5.0 * apple.getWeight() / 1000);}

我們透過迭代器遍歷 list 中的 apple 物件，完成了每個 apple 價格的計算。而這個演算法的時間複雜度是 O(list.size()) 隨著 list 大小的增加，耗時也會跟著線性增加。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裡呼叫的 parallelStream() 方法。當然也可以透過 stream.parallel() 將普通流轉換成並行流。並行流也能透過 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，生效的是最後一次的方法呼叫

並行流如此方便，它的執行緒從那裡來呢？有多少個？怎麼配置呢？

並行流內部使用了預設的 ForkJoinPool 執行緒池。預設的執行緒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 可以改變執行緒池大小。

不過該值是全域性變數。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執行緒數。一般來說採用處理器核心數是不錯的選擇

測試並行流的效能

為了更容易的測試效能，我們在每次計算完蘋果價格後，讓執行緒睡 1s，表示在這期間執行了其他 IO 相關的操作，並輸出程式執行耗時,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，開啟並行後四個處理器每人執行一個執行緒，最後 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

透過上面的測試，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。大家可以複製下面的程式碼，在自己的電腦上測試。測試完後可以發現，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，它總是慢於迴圈的，非並行版本可以理解為流化操作沒有迴圈更偏向底層導致的慢。 可並行版本是為什麼慢呢？這裡有兩個需要注意的點：

iterate 生成的是裝箱的物件，必須拆箱成數字才能求和我們很難把 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，每次應用這個函式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劃分成小塊處理。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。 它生成的是基本型別的值，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 迴圈外部迭代的

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;    }}

共享變數修改的問題

並行流雖然輕易的實現了多執行緒，但是仍未解決多執行緒中共享變數的修改問題。下面程式碼中存在共享變數 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 都會存在資料競爭，關於資料競爭的原因，大家可以看看關於 volatile 的部落格。因此當代碼中存在修改共享變數的操作時，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：

1.儘量使用 LongStream / IntStream / DoubleStream 等原始資料流代替 Stream 來處理數字，以避免頻繁拆裝箱帶來的額外開銷

2.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 值越大就意味著使用並行流帶來收益的可能性越大

例如：前端傳來幾種型別的資源，需要儲存到資料庫。每種資源對應不同的表。我們可以視作型別數為 N，儲存資料庫的網路耗時 + 插入操作耗時為 Q。一般情況下網路耗時都是比較大的。因此該操作就比較適合並行處理。當然當型別數目大於核心數時，該操作的效能提升就會打一定的折扣了。更好的最佳化方法在日後的部落格會為大家奉上

3.對於較少的資料量，不建議使用並行流

4.容易拆分成塊的流資料，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效能表