版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/litte_frog/article/details/82982342
并行化流操作
如果已经有一个Stream对象,调用parallel方法即拥有并行操作的能力
boolean b = Stream.of("z", "s", "c").
parallel().
isParallel();
集合通过调用parallelStream方法创建一个并行能力的流
List<Frog> frogs = new ArrayList<>();
...
double sum = frogs.parallelStream()
.mapToInt(Frog::getAge)
.sum();
并发与并行
并发是两个队列交替使用一台咖啡机,并行是两个队列同时使用两台咖啡机(Author:Joe Armstrong)。
上一段求和代码中,执行过程现将数据划分为多个部分,对每部分的数据进行求和,最后将求和结果合并。在数据量很大时候,每个数据分块并行求和时执行效率是很高的(多核处理器上)。所以数据是否容易分块与并行执行的线程数是影响会执行效率。
并行化数组操作
int[] a = new int[5];
// 元素与下标一致的数组
Arrays.parallelSetAll(a, i -> i);
// 创建与a相同的b数组
int[] b = Arrays.copyOf(a, a.length);
// 将元素值扩大2倍
Arrays.parallelSetAll(b, i -> i*2);
// 再求和
Arrays.parallelPrefix(b, Integer::sum);
int[] ints = {3,2,4,5,2,6,3,6,1,6,8,4,6,4,5,9,1,3};
// 排序
Arrays.parallelSort(ints);
利用并行流提升性能
不是所有数据都适合并行化,也就是说并行化是有一定代价的,总体原则就是:
内核中并行的工作时间 > 内核间传输数据时间
可以通过以下几点判断是否适合并行化:
1 考虑使用无序流代替顺序流(unordered方法)
2 拆箱装箱少
3 数据量较大
4 数据接口易分解
5 合并步骤代价小