日韩无码专区无码一级三级片|91人人爱网站中日韩无码电影|厨房大战丰满熟妇|AV高清无码在线免费观看|另类AV日韩少妇熟女|中文日本大黄一级黄色片|色情在线视频免费|亚洲成人特黄a片|黄片wwwav色图欧美|欧亚乱色一区二区三区

RELATEED CONSULTING
相關咨詢
選擇下列產品馬上在線溝通
服務時間：8:30-17:00
你可能遇到了下面的問題
關閉右側工具欄

新聞中心

這里有您想知道的互聯(lián)網營銷解決方案
你破壞Java代碼的樣子，真美！

本文轉載自微信公眾號「小明菜市場」，作者小明菜市場。轉載本文請聯(lián)系小明菜市場公眾號。

在慈溪等地區(qū)，都構建了全面的區(qū)域性戰(zhàn)略布局，加強發(fā)展的系統(tǒng)性、市場前瞻性、產品創(chuàng)新能力，以專注、極致的服務理念，為客戶提供成都網站建設、網站設計 網站設計制作按需網站策劃,公司網站建設,企業(yè)網站建設,成都品牌網站建設,網絡營銷推廣,外貿網站建設,慈溪網站建設費用合理。

前言

在之前如果需要處理集合需要先手動分成幾部分，然后為每部分創(chuàng)建線程，最后在合適的時候合并，這是手動處理并行集合的方法，在java8中，有了新功能，可以一下開啟并行模式。

并行流

認識開啟并行流

并行流是什么?是把一個流內容分成多個數(shù)據(jù)塊，并用不同線程分別處理每個不同數(shù)據(jù)塊的流。例如，有下面一個例子，在List中，需要對List數(shù)據(jù)進行分別計算，其代碼如下所示：

 
 
 
    
  
  
  
  1. List appleList = new ArrayList<>(); // 假裝數(shù)據(jù)是從庫里查出來的 
    2. 
  
  
  
  2.  
    3. 
  
  
  
  3. for (Apple apple : appleList) { 
    4. 
  
  
  
  4.     apple.setPrice(5.0 * apple.getWeight() / 1000); 
    5. 
  
  
  
  5. } 
    6.

在這里，時間復雜度為O(list.size)，隨著list的增加，耗時也在增加。并行流可以解決這個問題，代碼如下所示：

appleList.parallelStream().forEach(apple -> apple.setPrice(5.0 * apple.getWeight() / 1000));

這里通過調parallelStream()說明當前流為并行流，然后進行并行執(zhí)行。并行流內部使用了默認的ForkJoinPool線程池，默認線程數(shù)為處理器的核心數(shù)。

測試并行流

普通代碼如下所示：

 
 
 
    
  
  
  
  1. public static void main(String[] args) throws InterruptedException { 
    2. 
  
  
  
  2.     List appleList = initAppleList(); 
    3. 
  
  
  
  3.  
    4. 
  
  
  
  4.     Date begin = new Date(); 
    5. 
  
  
  
  5.     for (Apple apple : appleList) { 
    6. 
  
  
  
  6.         apple.setPrice(5.0 * apple.getWeight() / 1000); 
    7. 
  
  
  
  7.         Thread.sleep(1000); 
    8. 
  
  
  
  8.     } 
    9. 
  
  
  
  9.     Date end = new Date(); 
    10. 
  
  
  
  10.     log.info("蘋果數(shù)量：{}個, 耗時：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); 
    11. 
  
  
  
  11. } 
    12.

輸出的內容為耗時4s。

并行代碼如下所示：

 
 
 
    
  
  
  
  1. List appleList = initAppleList(); 
    2. 
  
  
  
  2.  
    3. 
  
  
  
  3. Date begin = new Date(); 
    4. 
  
  
  
  4. appleList.parallelStream().forEach(apple -> 
    5. 
  
  
  
  5.                                    { 
    6. 
  
  
  
  6.                                        apple.setPrice(5.0 * apple.getWeight() / 1000); 
    7. 
  
  
  
  7.                                        try { 
    8. 
  
  
  
  8.                                            Thread.sleep(1000); 
    9. 
  
  
  
  9.                                        } catch (InterruptedException e) { 
    10. 
  
  
  
  10.                                            e.printStackTrace(); 
    11. 
  
  
  
  11.                                        } 
    12. 
  
  
  
  12.                                    } 
    13. 
  
  
  
  13.                                   ); 
    14. 
  
  
  
  14. Date end = new Date(); 
    15. 
  
  
  
  15. log.info("蘋果數(shù)量：{}個, 耗時：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); 
    16.

輸出結果為耗時1s?？梢钥吹胶臅r大大提升了3s。

并行流拆分會影響流的速度

對于并行流來說需要注意以下幾點：

  1. 對于 iterate 方法來處理的前 n 個數(shù)字來說，不管并行與否，它總是慢于循環(huán)的，
  2. 而對于 LongStream.rangeClosed() 方法來說，就不存在 iterate 的第兩個痛點了。它生成的是基本類型的值，不用拆裝箱操作，另外它可以直接將要生成的數(shù)字 1 - n 拆分成 1 - n/4， 1n/4 - 2n/4， ... 3n/4 - n 這樣四部分。因此并行狀態(tài)下的 rangeClosed() 是快于 for 循環(huán)外部迭代的

代碼如下所示：

 
 
 
    
  
  
  
  1. package lambdasinaction.chap7; 
    2. 
  
  
  
  2.  
    3. 
  
  
  
  3. import java.util.stream.*; 
    4. 
  
  
  
  4.  
    5. 
  
  
  
  5. public class ParallelStreams { 
    6. 
  
  
  
  6.  
    7. 
  
  
  
  7.     public static long iterativeSum(long n) { 
    8. 
  
  
  
  8.         long result = 0; 
    9. 
  
  
  
  9.         for (long i = 0; i <= n; i++) { 
    10. 
  
  
  
  10.             result += i; 
    11. 
  
  
  
  11.         } 
    12. 
  
  
  
  12.         return result; 
    13. 
  
  
  
  13.     } 
    14. 
  
  
  
  14.  
    15. 
  
  
  
  15.     public static long sequentialSum(long n) { 
    16. 
  
  
  
  16.         return Stream.iterate(1L, i -> i + 1).limit(n).reduce(Long::sum).get(); 
    17. 
  
  
  
  17.     } 
    18. 
  
  
  
  18.  
    19. 
  
  
  
  19.     public static long parallelSum(long n) { 
    20. 
  
  
  
  20.         return Stream.iterate(1L, i -> i + 1).limit(n).parallel().reduce(Long::sum).get(); 
    21. 
  
  
  
  21.     } 
    22. 
  
  
  
  22.  
    23. 
  
  
  
  23.     public static long rangedSum(long n) { 
    24. 
  
  
  
  24.         return LongStream.rangeClosed(1, n).reduce(Long::sum).getAsLong(); 
    25. 
  
  
  
  25.     } 
    26. 
  
  
  
  26.  
    27. 
  
  
  
  27.     public static long parallelRangedSum(long n) { 
    28. 
  
  
  
  28.         return LongStream.rangeClosed(1, n).parallel().reduce(Long::sum).getAsLong(); 
    29. 
  
  
  
  29.     } 
    30. 
  
  
  
  30.  
    31. 
  
  
  
  31. } 
    32. 
  
  
  
  32. package lambdasinaction.chap7; 
    33. 
  
  
  
  33.  
    34. 
  
  
  
  34. import java.util.concurrent.*; 
    35. 
  
  
  
  35. import java.util.function.*; 
    36. 
  
  
  
  36.  
    37. 
  
  
  
  37. public class ParallelStreamsHarness { 
    38. 
  
  
  
  38.  
    39. 
  
  
  
  39.     public static final ForkJoinPool FORK_JOIN_POOL = new ForkJoinPool(); 
    40. 
  
  
  
  40.  
    41. 
  
  
  
  41.     public static void main(String[] args) { 
    42. 
  
  
  
  42.         System.out.println("Iterative Sum done in: " + measurePerf(ParallelStreams::iterativeSum, 10_000_000L) + " msecs"); 
    43. 
  
  
  
  43.         System.out.println("Sequential Sum done in: " + measurePerf(ParallelStreams::sequentialSum, 10_000_000L) + " msecs"); 
    44. 
  
  
  
  44.         System.out.println("Parallel forkJoinSum done in: " + measurePerf(ParallelStreams::parallelSum, 10_000_000L) + " msecs" ); 
    45. 
  
  
  
  45.         System.out.println("Range forkJoinSum done in: " + measurePerf(ParallelStreams::rangedSum, 10_000_000L) + " msecs"); 
    46. 
  
  
  
  46.         System.out.println("Parallel range forkJoinSum done in: " + measurePerf(ParallelStreams::parallelRangedSum, 10_000_000L) + " msecs" ); 
    47. 
  
  
  
  47.     } 
    48. 
  
  
  
  48.  
    49. 
  
  
  
  49.     public static  long measurePerf(Function f, T input) { 
    50. 
  
  
  
  50.         long fastest = Long.MAX_VALUE; 
    51. 
  
  
  
  51.         for (int i = 0; i < 10; i++) { 
    52. 
  
  
  
  52.             long start = System.nanoTime(); 
    53. 
  
  
  
  53.             R result = f.apply(input); 
    54. 
  
  
  
  54.             long duration = (System.nanoTime() - start) / 1_000_000; 
    55. 
  
  
  
  55.             System.out.println("Result: " + result); 
    56. 
  
  
  
  56.             if (duration < fastest) fastest = duration; 
    57. 
  
  
  
  57.         } 
    58. 
  
  
  
  58.         return fastest; 
    59. 
  
  
  
  59.     } 
    60. 
  
  
  
  60. } 
    61.

共享變量會造成數(shù)據(jù)出現(xiàn)問題

 
 
 
    
  
  
  
  1. public static long sideEffectSum(long n) { 
    2. 
  
  
  
  2.     Accumulator accumulator = new Accumulator(); 
    3. 
  
  
  
  3.     LongStream.rangeClosed(1, n).forEach(accumulator::add); 
    4. 
  
  
  
  4.     return accumulator.total; 
    5. 
  
  
  
  5. } 
    6. 
  
  
  
  6.  
    7. 
  
  
  
  7. public static long sideEffectParallelSum(long n) { 
    8. 
  
  
  
  8.     Accumulator accumulator = new Accumulator(); 
    9. 
  
  
  
  9.     LongStream.rangeClosed(1, n).parallel().forEach(accumulator::add); 
    10. 
  
  
  
  10.     return accumulator.total; 
    11. 
  
  
  
  11. } 
    12. 
  
  
  
  12.  
    13. 
  
  
  
  13. public static class Accumulator { 
    14. 
  
  
  
  14.     private long total = 0; 
    15. 
  
  
  
  15.  
    16. 
  
  
  
  16.     public void add(long value) { 
    17. 
  
  
  
  17.         total += value; 
    18. 
  
  
  
  18.     } 
    19. 
  
  
  
  19. } 
    20.

并行流的注意

  1. 盡量使用 LongStream / IntStream / DoubleStream 等原始數(shù)據(jù)流代替 Stream 來處理數(shù)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(shù)，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并行流帶來收益的可能性越大
  3. 對于較少的數(shù)據(jù)量，不建議使用并行流
  4. 容易拆分成塊的流數(shù)據(jù)，建議使用并行流

網站標題：你破壞Java代碼的樣子，真美！
轉載注明：http://www.5511xx.com/article/coicjjh.html