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
- 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）
- 数据量较少，并且计算逻辑简单，通常不建议使用并行流
- 需要考虑流的操作时间消耗
- 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