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(guān)咨詢
選擇下列產(chǎn)品馬上在線溝通
服務(wù)時(shí)間：8:30-17:00
你可能遇到了下面的問題
關(guān)閉右側(cè)工具欄

新聞中心

這里有您想知道的互聯(lián)網(wǎng)營銷解決方案
只要使用這個(gè)功能，程序運(yùn)行速度瞬間提升，高到離譜！

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

云安網(wǎng)站制作公司哪家好，找創(chuàng)新互聯(lián)！從網(wǎng)頁設(shè)計(jì)、網(wǎng)站建設(shè)、微信開發(fā)、APP開發(fā)、響應(yīng)式網(wǎng)站建設(shè)等網(wǎng)站項(xiàng)目制作，到程序開發(fā)，運(yùn)營維護(hù)。創(chuàng)新互聯(lián)2013年至今到現(xiàn)在10年的時(shí)間，我們擁有了豐富的建站經(jīng)驗(yàn)和運(yùn)維經(jīng)驗(yàn)，來保證我們的工作的順利進(jìn)行。專注于網(wǎng)站建設(shè)就選創(chuàng)新互聯(lián)。

 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(shí)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(rèn)識開啟并行流

并行流是什么?是把一個(gè)流內(nèi)容分成多個(gè)數(shù)據(jù)塊，并用不同線程分別處理每個(gè)不同數(shù)據(jù)塊的流。例如，有下面一個(gè)例子，在List中，需要對List數(shù)據(jù)進(jìn)行分別計(jì)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. for (Apple apple : appleList) {
    4. 
  
  
  
  4.     apple.setPrice(5.0 * apple.getWeight() / 1000);
    5. 
  
  
  
  5. }
    6.

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

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

這里通過調(diào)parallelStream()說明當(dāng)前流為并行流，然后進(jìn)行并行執(zhí)行。并行流內(nèi)部使用了默認(rèn)的ForkJoinPool線程池，默認(rèn)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.     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(gè), 耗時(shí)：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);
    11. 
  
  
  
  11. }
    12.

輸出的內(nèi)容為耗時(shí)4s。

并行代碼如下所示：

 
 
 
    
  
  
  
  1. List appleList = initAppleList();
    2. 
  
  
  
  2. 
  
  
  
  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(gè), 耗時(shí)：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);
    16.

輸出結(jié)果為耗時(shí)1s。可以看到耗時(shí)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(diǎn)：

對于 iterate 方法來處理的前 n 個(gè)數(shù)字來說，不管并行與否，它總是慢于循環(huán)的，

而對于 LongStream.rangeClosed() 方法來說，就不存在 iterate 的第兩個(gè)痛點(diǎn)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. import java.util.stream.*;
    4. 
  
  
  
  4. 
  
  
  
  5. public class ParallelStreams {
    6. 
  
  
  
  6. 
  
  
  
  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.     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.     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.     public static long rangedSum(long n) {
    24. 
  
  
  
  24.         return LongStream.rangeClosed(1, n).reduce(Long::sum).getAsLong();
    25. 
  
  
  
  25.     }
    26. 
  
  
  
  26. 
  
  
  
  27.     public static long parallelRangedSum(long n) {
    28. 
  
  
  
  28.         return LongStream.rangeClosed(1, n).parallel().reduce(Long::sum).getAsLong();
    29. 
  
  
  
  29.     }
    30. 
  
  
  
  30. 
  
  
  
  31. }
    32. 
  
  
  
  32. package lambdasinaction.chap7;
    33. 
  
  
  
  33. 
  
  
  
  34. import java.util.concurrent.*;
    35. 
  
  
  
  35. import java.util.function.*;
    36. 
  
  
  
  36. 
  
  
  
  37. public class ParallelStreamsHarness {
    38. 
  
  
  
  38. 
  
  
  
  39.     public static final ForkJoinPool FORK_JOIN_POOL = new ForkJoinPool();
    40. 
  
  
  
  40. 
  
  
  
  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.     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. 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. public static class Accumulator {
    14. 
  
  
  
  14.     private long total = 0;
    15. 
  
  
  
  15. 
  
  
  
  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(jì)算成本，假設(shè) N 是要操作的任務(wù)總數(shù)，Q 是每次操作的時(shí)間。N * Q 就是操作的總時(shí)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

當(dāng)前題目：只要使用這個(gè)功能，程序運(yùn)行速度瞬間提升，高到離譜！
當(dāng)前路徑：http://www.5511xx.com/article/dphssdi.html