如何高效的使用并行流

在Java7之前想要并行处理大量数据是很困难的，首先把数据拆分成很多个部分，然后把这这些子部分放入到每个线程中去执行计算逻辑，最后在把每个线程返回的计算结果进行合并操作；在Java7中提供了一个处理大数据的fork/join框架，屏蔽掉了线程之间交互的处理，更加专注于数据的处理。

Fork/Join框架

Fork/Join框架采用的是思想就是分而治之，把大的任务拆分成小的任务，然后放入到独立的线程中去计算，同时为了最大限度的利用多核CPU，采用了一个种 工作窃取 的算法来运行任务，也就是说当某个线程处理完自己工作队列中的任务后，尝试当其他线程的工作队列中窃取一个任务来执行，直到所有任务处理完毕。所以为了减少线程之间的竞争，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；在百度找了一张图

• 使用 RecursiveTask

使用Fork/Join框架首先需要创建自己的任务，需要继承 RecursiveTask ，实现抽象方法

protected abstract V compute();

实现类需要在该方法中实现任务的拆分，计算，合并；伪代码可以表示成这样：

if(任务已经不可拆分){
    return 顺序计算结果;
} else {
    1.任务拆分成两个子任务
    2.递归调用本方法，拆分子任务
    3.等待子任务执行完成
    4.合并子任务的结果
}

• Fork/Join实战

任务：完成对一亿个自然数求和

我们先使用串行的方式实现，代码如下：

long result = LongStream.rangeClosed(1, 100000000)
                .reduce(0, Long::sum);
System.out.println("result：" + result);

使用Fork/Join框架实现，代码如下：

public class SumRecursiveTask extends RecursiveTask<Long> {
    private long[] numbers;
    private int start;
    private int end;

    public SumRecursiveTask(long[] numbers) {
        this.numbers = numbers;
        this.start = 0;
        this.end = numbers.length;
    }

    public SumRecursiveTask(long[] numbers, int start, int end) {
        this.numbers = numbers;
        this.start = start;
        this.end = end;
    }

    @Override
    protected Long compute() {
        int length = end - start;
        if (length < 20000) {  //小于20000个就不在进行拆分
            return sum();
        }
        SumRecursiveTask leftTask = new SumRecursiveTask(numbers, start, start + length / 2); //进行任务拆分
        SumRecursiveTask rightTask = new SumRecursiveTask(numbers, start + (length / 2), end); //进行任务拆分
        leftTask.fork(); //把该子任务交友ForkJoinPoll线程池去执行
        rightTask.fork(); //把该子任务交友ForkJoinPoll线程池去执行
        return leftTask.join() + rightTask.join(); //把子任务的结果相加
    }


    private long sum() {
        int sum = 0;
        for (int i = start; i < end; i++) {
            sum += numbers[i];
        }
        return sum;
    }


    public static void main(String[] args) {
        long[] numbers = LongStream.rangeClosed(1, 100000000).toArray();

        Long result = new ForkJoinPool().invoke(new SumRecursiveTask(numbers));
        System.out.println("result：" +result);
    }
}

Fork/Join默认的线程数量就是你的处理器数量，这个值是由 Runtime.getRuntime().available- Processors() 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。目前还无法专为某个 并行流指定这个值。因为会影响到所有的并行流，所以在任务中经历避免网络/IO操作，否则可能会拖慢其他并行流的运行速度

parallelStream

以上我们说到的都是在Java7中使用并行流的操作，Java8并没有止步于此，为我们提供更加便利的方式，那就是 parallelStream ； parallelStream 底层还是通过Fork/Join框架来实现的。

• 常见的使用方式

1.串行流转化成并行流

LongStream.rangeClosed(1,1000)
                .parallel()
                .forEach(System.out::println);

2.直接生成并行流

List<Integer> values = new ArrayList<>();
        for (int i = 0; i < 10000; i++) {
            values.add(i);
        }
        values.parallelStream()
                .forEach(System.out::println);

• 正确的使用parallelStream

我们使用 parallelStream 来实现上面的累加例子看看效果，代码如下：

public static void main(String[] args) {
    Summer summer = new Summer();
    LongStream.rangeClosed(1, 100000000)
            .parallel()
            .forEach(summer::add);
    System.out.println("result：" + summer.sum);

}

static class Summer {
    public long sum = 0;

    public void add(long value) {
        sum += value;
    }
}

运行结果如下：

运行之后，我们发现运行的结果不正确，并且每次运行的结果都不一样，这是为什么呢？

这里其实就是错用 parallelStream 常见的情况， parallelStream 是非线程安全的，在这个里面中使用多个线程去修改了共享变量sum, 执行了 sum += value 操作，这个操作本身是非原子性的，所以在使用并行流时应该避免去修改共享变量。

修改上面的例子，正确使用 parallelStream 来实现，代码如下：

long result = LongStream.rangeClosed(1, 100000000)
        .parallel()
        .reduce(0, Long::sum);
System.out.println("result：" + result);

在前面我们已经说过了fork/join的操作流程是：拆子部分，计算，合并结果；因为 parallelStream 底层使用的也是fork/join框架，所以这些步骤也是需要做的，但是从上面的代码，我们看到 Long::sum 做了计算， reduce 做了合并结果，我们并没有去做任务的拆分，所以这个过程肯定是 parallelStream 已经帮我们实现了，这个时候就必须的说说 Spliterator

Spliterator 是Java8加入的新接口，是为了并行执行任务而设计的。

public interface Spliterator<T> {
    boolean tryAdvance(Consumer<? super T> action);

    Spliterator<T> trySplit();

    long estimateSize();

    int characteristics();
}

tryAdvance: 遍历所有的元素，如果还有可以遍历的就返回ture，否则返回false

trySplit: 对所有的元素进行拆分成小的子部分，如果已经不能拆分就返回null

estimateSize: 当前拆分里面还剩余多少个元素

characteristics: 返回当前Spliterator特性集的编码

总结

1. 要证明并行处理比顺序处理效率高，只能通过测试，不能靠猜测（本文累加的例子在多台电脑上运行了多次，也并不能证明采用并行来处理累加就一定比串行的快多少，所以只能通过多测试，环境不同可能结果就会不同）
2. 数据量较少，并且计算逻辑简单，通常不建议使用并行流
3. 需要考虑流的操作时间消耗
4. 在有些情况下需要自己去实现拆分的逻辑，并行流才能高效

感谢大家可以耐心地读到这里。

当然，文中或许会存在或多或少的不足、错误之处，有建议或者意见也非常欢迎大家在评论交流。

最后，希望朋友们可以点赞评论关注三连，因为这些就是我分享的全部动力来源:pray: