- 当前位置：首页 >IT科技类资讯 >只要使用这个功能，程序运行速度瞬间提升，高到离谱！
只要使用这个功能，程序运行速度瞬间提升，高到离谱！
发布时间：2025-11-05 02:40:07 来源：创站工坊 作者：人工智能
本文转载自微信公众号「小明菜市场」，只使作者小明菜市场 。用个运行转载本文请联系小明菜市场公众号。功能高
前言
在之前如果需要处理集合需要先手动分成几部分，程序然后为每部分创建线程，速度瞬间最后在合适的提升时候合并，这是离谱手动处理并行集合的方法，在java8中，只使有了新功能，用个运行可以一下开启并行模式。功能高
并行流
认识开启并行流
并行流是程序什么?是把一个流内容分成多个数据块，并用不同线程分别处理每个不同数据块的速度瞬间流。例如，提升有下面一个例子，离谱在List中，只使需要对List数据进行分别计算，其代码如下所示：
List<Apple> appleList = new ArrayList<>(); // 假装数据是从库里查出来的 for (Apple apple : appleList) { apple.setPrice(5.0 * apple.getWeight() / 1000); }在这里，时间复杂度为O(list.size)，随着list的增加，亿华云计算耗时也在增加。并行流可以解决这个问题，代码如下所示：
appleList.parallelStream().forEach(apple -> apple.setPrice(5.0 * apple.getWeight() / 1000));
这里通过调parallelStream()说明当前流为并行流，然后进行并行执行。并行流内部使用了默认的ForkJoinPool线程池，默认线程数为处理器的核心数。
测试并行流
普通代码如下所示：
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("苹果数量：{}个, 耗时：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000); }输出的内容为耗时4s。
并行代码如下所示：
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("苹果数量：{}个, 耗时：{}s", appleList.size(), (end.getTime() - begin.getTime()) /1000);输出结果为耗时1s。可以看到耗时大大提升了3s。
并行流拆分会影响流的速度
对于并行流来说需要注意以下几点：
对于 iterate 方法来处理的前 n 个数字来说，不管并行与否，它总是慢于循环的，
而对于 LongStream.rangeClosed() 方法来说，就不存在 iterate 的第两个痛点了。它生成的是基本类型的值，不用拆装箱操作，服务器托管另外它可以直接将要生成的数字 1 - n 拆分成 1 - n/4， 1n/4 - 2n/4， ... 3n/4 - n 这样四部分。因此并行状态下的 rangeClosed() 是快于 for 循环外部迭代的
代码如下所示：
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; } }共享变量会造成数据出现问题
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; } }并行流的注意
尽量使用 LongStream / IntStream / DoubleStream 等原始数据流代替 Stream 来处理数字，以避免频繁拆装箱带来的额外开销 要考虑流的操作流水线的总计算成本，假设 N 是要操作的任务总数，Q 是每次操作的时间。N * Q 就是操作的总时间，Q 值越大就意味着使用并行流带来收益的可能性越大 对于较少的数据量，不建议使用并行流 容易拆分成块的流数据，云南idc服务商建议使用并行流IT资讯网益华科技亿华云服务器租用企商汇源码下载源码库IT技术网香港云服务器益强编程舍技术快报编程之道益强IT技术网益强科技IT资讯网思维库益强资讯优选亿华科技益华科技亿华云汇智坊运维纵横极客码头云智核益强智囊团亿华互联益华IT技术论坛云站无忧智能时代益强前沿资讯益强数据堂益强编程堂创站工坊亿华云计算益强智未来极客编程益华科技多维IT资讯码力社亿华智造科技前瞻全栈开发
- Copyright © 2025 Powered by 只要使用这个功能，程序运行速度瞬间提升，高到离谱！,创站工坊 滇ICP备2023006006号-44sitemap