Java8中的流操作-基本使用&性能測試

為獲得更好的閱讀體驗，請訪問原文：傳送門

一、流(Stream)簡介

流是 Java8 中 API 的新成員，它允許你以聲明式的方式處理數(shù)據(jù)集合（通過查詢語句來表達(dá)，而不是臨時編寫一個實現(xiàn)）。這有點兒像是我們操作數(shù)據(jù)庫一樣，例如我想要查詢出熱量較低的菜品名字我就可以像下面這樣：

SELECT name FROM dishes WHERE calorie < 400;

您看，我們并沒有對菜品的什么屬性進(jìn)行篩選（比如像之前使用迭代器一樣每個做判斷），我們只是表達(dá)了我們想要什么。那么為什么到了 Java 的集合中，這樣做就不行了呢？

另外一點，如果我們想要處理大量的數(shù)據(jù)又該怎么辦？是否是考慮使用多線程進(jìn)行并發(fā)處理呢？如果是，那么可能編寫的關(guān)于并發(fā)的代碼比使用迭代器本身更加的復(fù)雜，而且調(diào)試起來也會變得麻煩。

基于以上的幾點考慮，Java 設(shè)計者在 Java 8 版本中，引入了流的概念，來幫助您節(jié)約時間！并且有了 lambda 的參與，流操作的使用將更加順暢！

特點一：內(nèi)部迭代

就現(xiàn)在來說，您可以把它簡單的當(dāng)成一種高級的迭代器（Iterator），或者是高級的 for 循環(huán)，區(qū)別在于，前面兩者都是屬于外部迭代，而流采用內(nèi)部迭代。

上圖簡要說明了內(nèi)部迭代與外部迭代的差異，我們再舉一個生活中實際的例子（引自《Java 8 實戰(zhàn)》），比如您想讓您兩歲的孩子索菲亞把她的玩具都收到盒子里面去，你們之間可能會產(chǎn)生如下的對話：

  • 你：“索菲亞，我們把玩具收起來吧，地上還有玩具嗎？”
  • 索菲亞：“有，球。”
  • 你：“好，把球放進(jìn)盒子里面吧，還有嗎？”
  • 索菲亞：“有，那是我的娃娃?！?/li>
  • 你：“好，把娃娃也放進(jìn)去吧，還有嗎？”
  • 索菲亞：“有，有我的書?！?/li>
  • 你：“好，把書也放進(jìn)去，還有嗎？”
  • 索菲亞：“沒有了?！?/li>
  • 你：“好，我們收好啦?！?/li>

這正是你每天都要對 Java 集合做的事情。你外部迭代了一個集合，顯式地取出每個項目再加以處理，但是如果你只是跟索菲亞說：“把地上所有玩具都放進(jìn)盒子里”，那么索菲亞就可以選擇一手拿娃娃一手拿球，或是選擇先拿離盒子最近的那個東西，再拿其他的東西。

采用內(nèi)部迭代，項目可以透明地并行處理，或者用優(yōu)化的順序進(jìn)行處理，要是使用 Java 過去的外部迭代方法，這些優(yōu)化都是很困難的。

這或許有點雞蛋里挑骨頭，但這差不多就是 Java 8 引入流的原因了——Streams 庫的內(nèi)部迭代可以自動選擇一種是和你硬件的數(shù)據(jù)表示和并行實現(xiàn)。

特點二：只能遍歷一次

請注意，和迭代器一樣，流只能遍歷一次。當(dāng)流遍歷完之后，我們就說這個流已經(jīng)被消費(fèi)掉了，你可以從原始數(shù)據(jù)那里重新獲得一條新的流，但是卻不允許消費(fèi)已消費(fèi)掉的流。例如下面代碼就會拋出一個異常，說流已被消費(fèi)掉了：

List<String> title = Arrays.asList("Wmyskxz", "Is", "Learning", "Java8", "In", "Action");
Stream<String> s = title.stream();
s.forEach(System.out::println);
s.forEach(System.out::println);
// 運(yùn)行上面程序會報以下錯誤
/*
Exception in thread "main" java.lang.IllegalStateException: stream has already been operated upon or closed
    at java.util.stream.AbstractPipeline.sourceStageSpliterator(AbstractPipeline.java:279)
    at java.util.stream.ReferencePipeline$Head.forEach(ReferencePipeline.java:580)
    at Test1.main(Tester.java:17)
*/

特點三：方便的并行處理

Java 8 中不僅提供了方便的一些流操作（比如過濾、排序之類的），更重要的是對于并行處理有很好的支持，只需要加上 .parallel() 就行了！例如我們使用下面程序來說明一下多線程流操作的方便和快捷，并且與單線程做了一下對比：

public class StreamParallelDemo {

    /** 總數(shù) */
    private static int total = 100_000_000;

    public static void main(String[] args) {
        System.out.println(String.format("本計算機(jī)的核數(shù)：%d", Runtime.getRuntime().availableProcessors()));

        // 產(chǎn)生1000w個隨機(jī)數(shù)(1 ~ 100)，組成列表
        Random random = new Random();
        List<Integer> list = new ArrayList<>(total);

        for (int i = 0; i < total; i++) {
            list.add(random.nextInt(100));
        }

        long prevTime = getCurrentTime();
        list.stream().reduce((a, b) -> a + b).ifPresent(System.out::println);
        System.out.println(String.format("單線程計算耗時：%d", getCurrentTime() - prevTime));

        prevTime = getCurrentTime();
        // 只需要加上 .parallel() 就行了
        list.stream().parallel().reduce((a, b) -> a + b).ifPresent(System.out::println);
        System.out.println(String.format("多線程計算耗時：%d", getCurrentTime() - prevTime));

    }

    private static long getCurrentTime() {
        return System.currentTimeMillis();
    }
}

以上程序分別使用了單線程流和多線程流計算了一千萬個隨機(jī)數(shù)的和，輸出如下：

本計算機(jī)的核數(shù)：8
655028378
單線程計算耗時：4159
655028378
多線程計算耗時：540

并行流的內(nèi)部使用了默認(rèn)的 ForkJoinPool 分支/合并框架，它的默認(rèn)線程數(shù)量就是你的處理器數(shù)量，這個值是由 Runtime.getRuntime().availableProcessors() 得到的（當(dāng)然我們也可以全局設(shè)置這個值）。我們也不再去過度的操心加鎖線程安全等一系列問題。

二、流基本操作

至少我們從上面了解到了，流操作似乎是一種很強(qiáng)大的工具，能夠幫助我們節(jié)約我們時間的同時讓我們程序可讀性更高，下面我們就具體的來了解一下 Java 8 帶來的新 API Stream，能給我們帶來哪些操作。

1、篩選和切片

filter

Stream 接口支持 filter 方法，該操作會接受一個返回 boolean 的函數(shù)作為參數(shù)，并返回一個包含所有符合該條件的流。例如，你可以這樣選出所有以字母 w 開頭的單詞并打?。?/p> 

List<String> words = Arrays.asList("wmyskxz", "say", "wow", "to", "everybody");
words.stream()
     .filter(word -> word.startsWith("w"))
     .forEach(System.out::println);
// ==============輸出：===============
// wmyskxz
// wow

這個過程類似下圖：

當(dāng)然如果您不是想要輸出而是想要返回一個集合，那么可以使用 .collect(toList())，就像下面這樣：

List<String> words = Arrays.asList("wmyskxz", "say", "wow", "to", "everybody");
List<String> filteredWords = words.stream()
                                  .filter(word -> word.startsWith("w"))
                                  .collect(Collectors.toList());

distinct

流還支持一個叫做 distinct 的方法，它會返回一個元素各異（根據(jù)流所生成的元素的 hashCode 和 equals 方法實現(xiàn)）的流。例如，以下代碼會篩選出列表中所有的偶數(shù)，并確保沒有重復(fù)：

List<Integer> numbers = Arrays.asList(1, 2, 1, 3, 2, 1, 3, 4);
numbers.stream()
       .filter(integer -> integer % 2 == 0)
       .distinct()
       .forEach(System.out::println);
// ==============輸出：===============
// 2
// 4

limit

流支持 limit(n) 方法，該方法會返回一個不超過給定長度的流，所需長度需要作為參數(shù)傳遞給 limit。如果流是有序的，則最多會返回前 n 個元素。比如，你可以建立一個 List，選出前 3 個元素：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8);
numbers.stream()
       .filter(integer -> integer % 2 == 0)
       .limit(3)
       .forEach(System.out::println);
// ==============輸出：===============
// 2
// 4
// 6

請注意雖然上述的集合是有序的，但 limit 本身并不會做任何排序的操作。

skip

流還支持 skip(n) 方法，返回一個扔掉了前 n 個元素的流。如果流中元素不足 n 個，則返回一個空流。請注意 litmit 和 skip 是互補(bǔ)的！例如，下面這段程序，選出了所有的偶數(shù)并跳過了前兩個輸出：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8);
numbers.stream()
       .filter(integer -> integer % 2 == 0)
       .skip(2)
       .forEach(System.out::println);
// ==============輸出：===============
// 6
// 8

2、映射

一個非常常見的數(shù)據(jù)處理套路就是從某些對象中選擇信息。比如在 SQL 里，你可以從表中選擇一列，Stream API 也通過 map 和 flatMap 方法提供了類似的工具。

map

流支持 map 方法，他會接受一個函數(shù)作為參數(shù)。這個函數(shù)會被應(yīng)用到每個元素身上嗎，并將其映射成一個新的函數(shù)。例如，下面的代碼把方法引用 Words::getContent 傳給了 map 方法，來提取流中 Words 的具體內(nèi)容：

public static void main(String[] args) {
    List<Words> numbers = Arrays.asList(new Words("我沒有三顆心臟"),
            new Words("公眾號"), new Words("wmyskxz"));
    numbers.stream()
           .map(Words::getContent)
           .forEach(System.out::println);
}

@Data
@AllArgsConstructor
private static class Words {
    private String content;
}
// ==============輸出：===============
// 我沒有三顆心臟
// 公眾號
// wmyskxz

但是如果你現(xiàn)在只想要找出每個 Words 具體內(nèi)容的長度又該怎么辦呢？我們可以再進(jìn)行一次映射：

public static void main(String[] args) {
    List<Words> numbers = Arrays.asList(new Words("我沒有三顆心臟"),
            new Words("公眾號"), new Words("wmyskxz"));
    numbers.stream()
           .map(Words::getWords)
           .map(String::length)
           .forEach(System.out::println);
}

@Data
@AllArgsConstructor
private static class Words {
    private String words;
}
// ==============輸出：===============
// 7
// 3
// 7

flatMap：流的扁平化

你已經(jīng)看到我們是如何使用 map 方法來返回每個 Words 的具體長度了，現(xiàn)在讓我們來擴(kuò)展一下：對于一個 Words 集合，我需要知道這個集合里一共有多少個不相同的字符呢？例如，給定單詞列表為：["Hello", "World"]，則需要返回的列表是：["H", "e", "l", "o", "W", "r", "d"]。

您可能會覺得簡單，而后寫下下列錯誤的第一版本：

List<String> words = Arrays.asList("Hello", "World");
words.stream()
     .map(s -> s.split(""))
     .distinct()
     .collect(Collectors.toList())
     .forEach(System.out::println);
// ==============輸出：===============
// [Ljava.lang.String;@238e0d81
// [Ljava.lang.String;@31221be2

為什么會這樣呢？這個方法的問題自傲與，傳遞給 map 方法的 lambda 表達(dá)式為每個單詞返回了一個 String[]，所以經(jīng)過 map 方法之后返回的流就不是我們預(yù)想的 Stream<String>，而是 Stream<String[]>，下圖就說明了這個問題：

幸好我們可以使用 flatMap 來解決這個問題：

List<String> words = Arrays.asList("Hello", "World");
words.stream()
     .map(s -> s.split(""))
     .flatMap(Arrays::stream)
     .distinct()
     .collect(Collectors.toList())
     .forEach(System.out::println);
// ==============輸出：===============
// H
// e
// l
// o
// W
// r
// d

使用 flatMap 方法的效果是，各個數(shù)組并不是分別映射成一個流，而是映射成流的內(nèi)容。一言蔽之就是 flatMap 讓你一個流中的每個值都轉(zhuǎn)換成另一個六，然后把所有的流連接起來成為一個流，具體過程如下圖：

3、查找和匹配

另一個常見的數(shù)據(jù)處理套路是看看數(shù)據(jù)集中的某些元素是否匹配一個給定的屬性，Stream API 通過 allMatch、anyMatch、noneMatch、findFirst 和 findAny 方法提供了這樣的工具(其實到這里看名字就會大概能夠知道怎么使用了)。

我們簡單的舉兩個例子就好。

比如，你可以用它來看看集合里面是否有偶數(shù)：

List<Integer> numbers = Arrays.asList(1, 2, 3);
if (numbers.stream().anyMatch(i -> i % 2 == 0)) {
    System.out.println("集合里有偶數(shù)!");
}

再比如，你可以用來它來檢驗是否集合里都為偶數(shù)：

List<Integer> numbers = Arrays.asList(2, 2, 4);
if (numbers.stream().allMatch(i -> i % 2 == 0)) {
    System.out.println("集合里全是偶數(shù)!");
}

再或者，給定一個數(shù)字列表，找出第一個平方能被 3 整除的數(shù)：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7);
Optional<Integer> firstSquareDivisibledByThree =
        numbers.stream()
               .map(x -> x * x)
               .filter(x -> x % 3 == 0)
               .findFirst();
System.out.println(firstSquareDivisibledByThree.get());
// ==============輸出：===============
// 9

Optional 簡介：
Optional<T> 類是 java.util.Optional 包里的一個容器類，代表一個值存在或者不存在。在上面的代碼中，findFirst() 可能什么元素都找不到，Java 8 的設(shè)計人員引入了 Optional<T>，這樣就不用返回眾所周知容易出問題的 null 了。我們在這里不對 Optional 做細(xì)致的討論。

4、歸約：reduce

到目前為止，你見到過的終端操作(下面我們會說到這些操作其實分為中間操作和終端操作)都是返回一個 boolean（allMatch 之類的）、void（forEach）或 Optional 對象（findFirst 等）。你也見到過了使用 collect 來將流中的所有元素合并成一個 List。

接下來我們來接觸更加復(fù)雜的一些操作，比如 “挑出單詞中長度最長的的單詞” 或是 “計算所有單詞的總長度”。此類查詢需要將流中的元素反復(fù)結(jié)合起來，得到一個值。這樣的查詢可以被歸類為歸約操作（將流歸約成一個值）。

數(shù)組求和

在研究 reduce 之前，我們先來回顧一下我們在之前是如何對一個數(shù)字?jǐn)?shù)組進(jìn)行求和的：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5);
int sum = 0;
for (int x : numbers) {
    sum += x;
}
System.out.println(sum);
// ==============輸出：===============
// 15

numbers 中的每個元素都用加法運(yùn)算符反復(fù)迭代來得到結(jié)果。通過反復(fù)使用加法，我們最終把一個數(shù)字列表歸約成了一個數(shù)字。在這段代碼中，我們一共使用了兩個參數(shù)：

  • sum：總和變量的初始值，在這里是 0；
  • x：用于接受 numbers 中的每一個元素，并與 sum 做加法操作不斷迭代；

要是還能把所有的數(shù)字相乘，而不用復(fù)制粘貼這段代碼，豈不是很好？這正是 reduce 操作的用武之地，它對這種重復(fù)應(yīng)用的模式做了抽象。你可以像下面這樣對流中所有的元素求和：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5);
int sum = numbers.stream().reduce(0, (a, b) -> a + b);
System.out.println(sum);
// ==============輸出：===============
// 15

其中 reduce 接受了兩個參數(shù)：

  • 一個初始值，這里是 0；
  • 一個是 BinaryOperator<T> 來將兩個元素結(jié)合起來產(chǎn)生一個新值，這里我們用的是 lambda (a, b) -> a + b；

你也可以很容易改造成所有元素相乘的形式，只需要將另一個 Lambda：(a, b) -> a * b 傳遞給 reduce 就可以了：

int product = numbers.stream().reduce(0, (a, b) -> a * b);

我們先來深入研究一下 reduce 是如何對一個數(shù)字流進(jìn)行求和的：

如上圖所示一樣的，reduce 每一次都把結(jié)果返回并與下一次的元素進(jìn)行操作，比如第一次當(dāng)遍歷到元素 1 時，此時返回初始值 0 + 1 = 1，然后再用此時的返回值 1 與第二個元素進(jìn)行疊加操作，如此往復(fù)，便完成了對數(shù)字列表的求和運(yùn)算。

當(dāng)然你也可以使用方法引用讓這段代碼更加簡潔：

int sum = numbers.stream().reduce(0, Integer::sum);

無初始值

reduce 還有一個重載的變體，它不接受初始值，但是會返回一個 Optional 對象(考慮到流中沒有任何元素的情況)：

Optional<Integer> sum = numbers.stream().reduce(Integer::sum);

最大值和最小值

有點類似于上面的操作，我們可以使用下面這樣的 reduce 來計算流中的最大值or最小值：

// 最大值
Optional<Integer> max = numbers.stream().reduce(Integer::max);
// 最小值
Optional<Integer> max = numbers.stream().reduce(Integer::min);

5、中間操作和結(jié)束操作（終端操作）

Stream API 上的所有操作分為兩類：中間操作和結(jié)束操作。中間操作只是一種標(biāo)記，只有結(jié)束操作才會觸發(fā)實際計算。

中間操作又可以分為無狀態(tài)的(Stateless)和有狀態(tài)的(Stateful)，無狀態(tài)中間操作是指元素的處理不受前面元素的影響，而有狀態(tài)的中間操作必須等到所有元素處理之后才知道最終結(jié)果，比如排序是有狀態(tài)操作，在讀取所有元素之前并不能確定排序結(jié)果；

結(jié)束操作又可以分為短路操作和非短路操作，短路操作是指不用處理全部元素就可以返回結(jié)果，比如找到第一個滿足條件的元素。之所以要進(jìn)行如此精細(xì)的劃分，是因為底層對每一種情況的處理方式不同。 為了更好的理解流的中間操作和終端操作，可以通過下面的兩段代碼來看他們的執(zhí)行過程：

IntStream.range(1, 10)
   .peek(x -> System.out.print("\nA" + x))
   .limit(3)
   .peek(x -> System.out.print("B" + x))
   .forEach(x -> System.out.print("C" + x));
// ==============輸出：===============
// A1B1C1
// A2B2C2
// A3B3C3

中間操作是懶惰的，也就是不會對數(shù)據(jù)做任何操作，直到遇到了結(jié)束操作。而結(jié)束操作都是比較熱情的，他們會回溯之前所有的中間操作。

拿上面的例子來說，當(dāng)執(zhí)行到 forEach() 的時候，它會回溯到上一步中間操作，再到上一步中間操作，再上一步..直到第一步，也就是這里的 .peek(x -> System.out.println("\nA" + x)，然后開始自上而下的依次執(zhí)行，輸出第一行的 A1B1C1，然而第二次執(zhí)行 forEach() 操作的時候等同，以此類推..

我們再來看第二段代碼：

IntStream.range(1, 10)
   .peek(x -> System.out.print("\nA" + x))
   .skip(6)
   .peek(x -> System.out.print("B" + x))
   .forEach(x -> System.out.print("C" + x));
// ==============輸出：===============
// A1
// A2
// A3
// A4
// A5
// A6
// A7B7C7
// A8B8C8
// A9B9C9

根據(jù)上面介紹的規(guī)則，同樣的當(dāng)?shù)谝淮螆?zhí)行 .forEach() 的時候，會回溯到第一個 peek 操作，打印出 A1，然后執(zhí)行 skip，這個操作的意思就是跳過，也就是相當(dāng)于 for 循環(huán)里面的 continue，所以前六次的 forEach() 操作都只會打印 A。

而第七次開始，skip 失效之后，就會開始分別執(zhí)行 .peek() 和 forEach() 里面的打印語句了，就會看到輸出的是：A7B7C7。

OK，到這里也算是對 Stream API 有了一定的認(rèn)識，下面我們對中間操作和結(jié)束操作做一個總結(jié)：

三、Stream 性能測試

引用自：下方參考文檔第 4 條。

已經(jīng)對 Stream API 的用法鼓吹夠多了，用起簡潔直觀，但性能到底怎么樣呢？會不會有很高的性能損失？本節(jié)我們對 Stream API 的性能一探究竟。

為保證測試結(jié)果真實可信，我們將 JVM 運(yùn)行在 -server 模式下，測試數(shù)據(jù)在 GB 量級，測試機(jī)器采用常見的商用服務(wù)器，配置如下：

指標(biāo) 數(shù)值
OS CentOS 6.7 x86_64
CPU Intel Xeon X5675, 12M Cache 3.06 GHz, 6 Cores 12 Threads
內(nèi)存 96GB
JDK java version 1.8.0_91, Java HotSpot(TM) 64-Bit Server VM

測試所用代碼在這里，測試結(jié)果匯總.

測試方法和測試數(shù)據(jù)

性能測試并不是容易的事，Java性能測試更費(fèi)勁，因為虛擬機(jī)對性能的影響很大，JVM對性能的影響有兩方面：

  1. GC的影響。GC的行為是Java中很不好控制的一塊，為增加確定性，我們手動指定使用CMS收集器，并使用10GB固定大小的堆內(nèi)存。具體到JVM參數(shù)就是-XX:+UseConcMarkSweepGC -Xms10G -Xmx10G
  2. JIT(Just-In-Time)即時編譯技術(shù)。即時編譯技術(shù)會將熱點代碼在JVM運(yùn)行的過程中編譯成本地代碼，測試時我們會先對程序預(yù)熱，觸發(fā)對測試函數(shù)的即時編譯。相關(guān)的JVM參數(shù)是-XX:CompileThreshold=10000。

Stream并行執(zhí)行時用到ForkJoinPool.commonPool()得到的線程池，為控制并行度我們使用Linux的taskset命令指定JVM可用的核數(shù)。

測試數(shù)據(jù)由程序隨機(jī)生成。為防止一次測試帶來的抖動，測試4次求出平均時間作為運(yùn)行時間。

實驗一 基本類型迭代

測試內(nèi)容：找出整型數(shù)組中的最小值。對比for循環(huán)外部迭代和Stream API內(nèi)部迭代性能。

測試程序IntTest，測試結(jié)果如下圖：

圖中展示的是for循環(huán)外部迭代耗時為基準(zhǔn)的時間比值。分析如下：

對于基本類型Stream串行迭代的性能開銷明顯高于外部迭代開銷（兩倍）；
Stream并行迭代的性能比串行迭代和外部迭代都好。

并行迭代性能跟可利用的核數(shù)有關(guān)，上圖中的并行迭代使用了全部 12 個核，為考察使用核數(shù)對性能的影響，我們專門測試了不同核數(shù)下的Stream并行迭代效果：

分析，對于基本類型：

  1. 使用Stream并行API在單核情況下性能很差，比Stream串行API的性能還差；
  2. 隨著使用核數(shù)的增加，Stream并行效果逐漸變好，比使用for循環(huán)外部迭代的性能還好。

以上兩個測試說明，對于基本類型的簡單迭代，Stream串行迭代性能更差，但多核情況下Stream迭代時性能較好。

實驗二 對象迭代

再來看對象的迭代效果。

測試內(nèi)容：找出字符串列表中最小的元素（自然順序），對比for循環(huán)外部迭代和Stream API內(nèi)部迭代性能。

測試程序StringTest，測試結(jié)果如下圖：

結(jié)果分析如下：

  1. 對于對象類型Stream串行迭代的性能開銷仍然高于外部迭代開銷（1.5倍），但差距沒有基本類型那么大。
  2. Stream并行迭代的性能比串行迭代和外部迭代都好。

再來單獨考察Stream并行迭代效果：

分析，對于對象類型：

  1. 使用Stream并行API在單核情況下性能比for循環(huán)外部迭代差；
  2. 隨著使用核數(shù)的增加，Stream并行效果逐漸變好，多核帶來的效果明顯。

以上兩個測試說明，對于對象類型的簡單迭代，Stream串行迭代性能更差，但多核情況下Stream迭代時性能較好。

實驗三 復(fù)雜對象歸約

從實驗一、二的結(jié)果來看，Stream串行執(zhí)行的效果都比外部迭代差（很多），是不是說明Stream真的不行了？先別下結(jié)論，我們再來考察一下更復(fù)雜的操作。

測試內(nèi)容：給定訂單列表，統(tǒng)計每個用戶的總交易額。對比使用外部迭代手動實現(xiàn)和Stream API之間的性能。

我們將訂單簡化為<userName, price, timeStamp>構(gòu)成的元組，并用Order對象來表示。測試程序ReductionTest，測試結(jié)果如下圖：

分析，對于復(fù)雜的歸約操作：

  1. Stream API的性能普遍好于外部手動迭代，并行Stream效果更佳；

再來考察并行度對并行效果的影響，測試結(jié)果如下：

分析，對于復(fù)雜的歸約操作：

  1. 使用Stream并行歸約在單核情況下性能比串行歸約以及手動歸約都要差，簡單說就是最差的；
  2. 隨著使用核數(shù)的增加，Stream并行效果逐漸變好，多核帶來的效果明顯。

以上兩個實驗說明，對于復(fù)雜的歸約操作，Stream串行歸約效果好于手動歸約，在多核情況下，并行歸約效果更佳。我們有理由相信，對于其他復(fù)雜的操作，Stream API也能表現(xiàn)出相似的性能表現(xiàn)。

結(jié)論

上述三個實驗的結(jié)果可以總結(jié)如下：

  1. 對于簡單操作，比如最簡單的遍歷，Stream串行API性能明顯差于顯示迭代，但并行的Stream API能夠發(fā)揮多核特性。
  2. 對于復(fù)雜操作，Stream串行API性能可以和手動實現(xiàn)的效果匹敵，在并行執(zhí)行時Stream API效果遠(yuǎn)超手動實現(xiàn)。

所以，如果出于性能考慮，1. 對于簡單操作推薦使用外部迭代手動實現(xiàn)，2. 對于復(fù)雜操作，推薦使用Stream API， 3. 在多核情況下，推薦使用并行Stream API來發(fā)揮多核優(yōu)勢，4.單核情況下不建議使用并行Stream API。

如果出于代碼簡潔性考慮，使用Stream API能夠?qū)懗龈痰拇a。即使是從性能方面說，盡可能的使用Stream API也另外一個優(yōu)勢，那就是只要Java Stream類庫做了升級優(yōu)化，代碼不用做任何修改就能享受到升級帶來的好處。

參考文檔

  1. https://redspider.gitbook.io/concurrent/di-san-pian-jdk-gong-ju-pian/19 - Java 8 Stream并行計算原理
  2. http://hack.xingren.com/index.php/2018/10/17/java-stream/ - 原來你是這樣的 Stream —— 淺析 Java Stream 實現(xiàn)原理
  3. https://github.com/CarpenterLee/JavaLambdaInternals/blob/master/6-Stream%20Pipelines.md - Stream Pipelines
  4. https://github.com/CarpenterLee/JavaLambdaInternals/blob/master/8-Stream%20Performance.md - Stream Performance
  5. 《Java 8 實戰(zhàn)》

按照慣例黏一個尾巴：

歡迎轉(zhuǎn)載，轉(zhuǎn)載請注明出處！
獨立域名博客：wmyskxz.com
簡書ID：@我沒有三顆心臟
github：wmyskxz
歡迎關(guān)注公眾微信號：wmyskxz
分享自己的學(xué)習(xí) & 學(xué)習(xí)資料 & 生活
想要交流的朋友也可以加qq群：3382693

?著作權(quán)歸作者所有,轉(zhuǎn)載或內(nèi)容合作請聯(lián)系作者
【社區(qū)內(nèi)容提示】社區(qū)部分內(nèi)容疑似由AI輔助生成，瀏覽時請結(jié)合常識與多方信息審慎甄別。
平臺聲明：文章內(nèi)容（如有圖片或視頻亦包括在內(nèi)）由作者上傳并發(fā)布，文章內(nèi)容僅代表作者本人觀點，簡書系信息發(fā)布平臺，僅提供信息存儲服務(wù)。

相關(guān)閱讀更多精彩內(nèi)容

友情鏈接更多精彩內(nèi)容