你知道強大的Java 8 的Stream流原理嗎？
Java 8 API添加了一個新的抽象稱為流Stream，可以讓你以一種聲明的方式處理數(shù)據(jù)。
Stream 使用一種類似用 SQL 語句從數(shù)據(jù)庫查詢數(shù)據(jù)的直觀方式來提供一種對 Java 集合運算和表達的高階抽象。
Stream API可以極大提高Java程序員的生產(chǎn)力，讓程序員寫出高效率、干凈、簡潔的代碼。
本文會對Stream的實現(xiàn)原理進行剖析。
1
Stream（流）是一個來自數(shù)據(jù)源的元素隊列并支持聚合操作：
元素是特定類型的對象，形成一個隊列。Java中的Stream并_不會_向集合那樣存儲和管理元素，而是按需計算
數(shù)據(jù)源流的來源可以是集合Collection、數(shù)組Array、I/O channel， 產(chǎn)生器generator 等
聚合操作類似SQL語句一樣的操作， 比如filter, map, reduce, find, match, sorted等
和以前的Collection操作不同， Stream操作還有兩個基礎(chǔ)的特征：
Pipelining: 中間操作都會返回流對象本身。這樣多個操作可以串聯(lián)成一個管道， 如同流式風格（fluent style）。這樣做可以對操作進行優(yōu)化， 比如延遲執(zhí)行(laziness evaluation)和短路( short-circuiting)
內(nèi)部迭代：以前對集合遍歷都是通過Iterator或者For-Each的方式, 顯式的在集合外部進行迭代， 這叫做外部迭代。Stream提供了內(nèi)部迭代的方式， 通過訪問者模式 (Visitor)實現(xiàn)。
和迭代器又不同的是，Stream 可以并行化操作，迭代器只能命令式地、串行化操作。顧名思義，當使用串行方式去遍歷時，每個 item 讀完后再讀下一個 item。而使用并行去遍歷時，數(shù)據(jù)會被分成多個段，其中每一個都在不同的線程中處理，然后將結(jié)果一起輸出。
Stream 的并行操作依賴于 Java7 中引入的 Fork/Join 框架（JSR166y）來拆分任務(wù)和加速處理過程。Java 的并行 API 演變歷程基本如下：
“
1.0-1.4 中的 java.lang.Thread
5.0 中的 java.util.concurrent
6.0 中的 Phasers 等
7.0 中的 Fork/Join 框架
8.0 中的 Lambda
”
Stream具有平行處理能力，處理的過程會分而治之，也就是將一個大任務(wù)切分成多個小任務(wù)，這表示每個任務(wù)都是一個操作：
List numbers = Arrays.asList(1,?2,?3,?4,?5,?6,?7,?8,?9);
numbers.parallelStream()
???????.forEach(out::println); 可以看到一行簡單的代碼就幫我們實現(xiàn)了并行輸出集合中元素的功能，但是由于并行執(zhí)行的順序是不可控的所以每次執(zhí)行的結(jié)果不一定相同。
如果非得相同可以使用forEachOrdered方法執(zhí)行終止操作：
List numbers = Arrays.asList(1,?2,?3,?4,?5,?6,?7,?8,?9);
numbers.parallelStream()
???????.forEachOrdered(out::println); 這里有一個疑問，如果結(jié)果需要有序，是否和我們的并行執(zhí)行的初衷相悖？是的，這個場景下明顯無需使用并行流，直接用串行流執(zhí)行即可， 否則性能可能更差，因為最后又強行將所有并行結(jié)果進行了排序。
OK，下面我們先介紹一下Stream接口的相關(guān)知識。
2
Stream的父接口是BaseStream，后者是所有流實現(xiàn)的頂層接口，定義如下：
public?interface?BaseStream<T,?S?extends?BaseStream<T,?S>>
????????extends?AutoCloseable?{
????Iterator?iterator() ;
????Spliterator?spliterator() ;
????boolean?isParallel();
????S?sequential();
????S?parallel();
????S?unordered();
????S?onClose(Runnable closeHandler);
????void?close();
}其中，T為流中元素的類型，S為一個BaseStream的實現(xiàn)類，它里面的元素也是T并且S同樣是自己：
S?extends?BaseStream是不是有點暈？
其實很好理解，我們看一下接口中對S的使用就知道了：如sequential()、parallel()這兩個方法，它們都返回了S實例，也就是說它們分別支持對當前流進行串行或者并行的操作，并返回「改變」后的流對象。
“
如果是并行一定涉及到對當前流的拆分，即將一個流拆分成多個子流，子流肯定和父流的類型是一致的。子流可以繼續(xù)拆分子流，一直拆分下去…
”
也就是說這里的S是BaseStream的一個實現(xiàn)類，它同樣是一個流，比如Stream、IntStream、LongStream等。
3
再來看一下Stream的接口聲明：
public?interface?Stream<T>?extends?BaseStream<T,?Stream<T>>參考上面的解釋這里不難理解：即Stream
Stream?filter(Predicatesuper?T> predicate) ;
?Stream?map(Functionsuper?T, ? extends R> mapper) ;
?Stream?flatMap(Functionsuper?T, ? extends Stream> mapper) ;
Stream?sorted() ;
Stream?peek(Consumersuper?T> action) ;
Stream?limit(long?maxSize) ;
Stream?skip(long?n) ;
... 這些都是操作流的中間操作，它們的返回結(jié)果必須是流對象本身。
4
BaseStream 實現(xiàn)了 AutoCloseable 接口，也就是 close() 方法會在流關(guān)閉時被調(diào)用。同時，BaseStream 中還給我們提供了onClose()方法：
S?onClose(Runnable closeHandler);當AutoCloseable的close()接口被調(diào)用的時候會觸發(fā)調(diào)用流對象的onClose()方法，但有幾點需要注意：
onClose() 方法會返回流對象本身，也就是說可以對改對象進行多次調(diào)用
如果調(diào)用了多個onClose() 方法，它會按照調(diào)用的順序觸發(fā)，但是如果某個方法有異常則只會向上拋出第一個異常
前一個 onClose() 方法拋出了異常不會影響后續(xù) onClose() 方法的使用
如果多個 onClose() 方法都拋出異常，只展示第一個異常的堆棧，而其他異常會被壓縮，只展示部分信息
5
BaseStream接口中分別提供了并行流和串行流兩個方法，這兩個方法可以任意調(diào)用若干次，也可以混合調(diào)用，但最終只會以最后一次方法調(diào)用的返回結(jié)果為準。
參考parallel()方法的說明：
“
Returns an equivalent stream that is parallel. May return
itself, either because the stream was already parallel, or because
the underlying stream state was modified to be parallel.
”
所以多次調(diào)用同樣的方法并不會生成新的流，而是直接復用當前的流對象。
下面的例子里以最后一次調(diào)用parallel()為準，最終是并行地計算sum：
stream.parallel()
???.filter(...)
???.sequential()
???.map(...)
???.parallel()
???.sum();6
ForkJoin框架是從JDK7中新特性，它同ThreadPoolExecutor一樣，也實現(xiàn)了Executor和ExecutorService 接口。它使用了一個「無限隊列」來保存需要執(zhí)行的任務(wù)，而線程的數(shù)量則是通過構(gòu)造函數(shù)傳入， 如果沒有向構(gòu)造函數(shù)中傳入希望的線程數(shù)量，那么當前計算機可用的CPU數(shù)量會被設(shè)置為線程數(shù)量作為默認值。
ForkJoinPool主要用來使用分治法(Divide-and-Conquer Algorithm) 來解決問題，典型的應用比如_快速排序算法_。這里的要點在于，F(xiàn)orkJoinPool需要使用相對少的線程來處理大量的任務(wù)。
比如要對1000萬個數(shù)據(jù)進行排序，那么會將這個任務(wù)分割成兩個500 萬的排序任務(wù)和一個針對這兩組500萬數(shù)據(jù)的合并任務(wù)。
以此類推，對于500萬的數(shù)據(jù)也會做出同樣的分割處理，到最后會設(shè)置一個閾值來規(guī)定當數(shù)據(jù)規(guī)模到多少時，停止這樣的分割處理。比如，當元素的數(shù)量小于10時，會停止分割，轉(zhuǎn)而使用插入排序?qū)λ鼈冞M行排序。那么到最后，所有的任務(wù)加起來會有大概2000000+個。
“
問題的關(guān)鍵在于，對于一個任務(wù)而言，只有當它所有的子任務(wù)完成之后，它才能夠被執(zhí)行，想象一下歸并排序的過程。
”
所以當使用ThreadPoolExecutor時，使用分治法會存在問題，因為ThreadPoolExecutor中的線程無法向 任務(wù)隊列中再添加一個任務(wù)并且在等待該任務(wù)完成之后再繼續(xù)執(zhí)行。而使用ForkJoinPool時，就能夠讓其中的線程創(chuàng)建新的任務(wù)，并掛起當前的任務(wù)，此時線程就能夠從隊列中選擇子任務(wù)執(zhí)行。
那么使用ThreadPoolExecutor或者ForkJoinPool，會有什么性能的差異呢？
首先，使用ForkJoinPool能夠使用數(shù)量有限的線程來完成非常多的具有「父子關(guān)系」的任務(wù)，比如使用4個線程來完成超過200萬個任務(wù)。使用ThreadPoolExecutor 時，是不可能完成的，因為ThreadPoolExecutor中的Thread無法選擇優(yōu)先執(zhí)行子任務(wù)，需要完成200萬個具有父子關(guān)系的任務(wù)時，也需要200萬個線程，顯然這是不可行的。
Work Stealing原理：
每個工作線程都有自己的工作隊列WorkQueue；
這是一個雙端隊列dequeue，它是線程私有的；
ForkJoinTask中fork的子任務(wù)，將放入運行該任務(wù)的工作線程的隊頭，工作線程將以LIFO的順序來處理工作隊列中的任務(wù)，即堆棧的方式；
為了最大化地利用CPU，空閑的線程將從其它線程的隊列中「竊取」任務(wù)來執(zhí)行
但是是從工作隊列的尾部竊取任務(wù)，以減少和隊列所屬線程之間的競爭；
雙端隊列的操作：push()/pop()僅在其所有者工作線程中調(diào)用，poll()是由其它線程竊取任務(wù)時調(diào)用的；
當只剩下最后一個任務(wù)時，還是會存在競爭，是通過CAS來實現(xiàn)的；
7
Java 8為ForkJoinPool添加了一個通用線程池，這個線程池用來處理那些沒有被顯式提交到任何線程池的任務(wù)。它是ForkJoinPool類型上的一個靜態(tài)元素，它擁有的默認線程數(shù)量等于運行計算機上的CPU數(shù)量。
當調(diào)用Arrays 類上添加的新方法時，自動并行化就會發(fā)生。
比如用來排序一個數(shù)組的并行快速排序，用來對一個數(shù)組中的元素進行并行遍歷。自動并行化也被運用在Java 8新添加的Stream API中。
比如下面的代碼用來遍歷列表中的元素并執(zhí)行需要的操作：
List userInfoList =
????????DaoContainers.getUserInfoDAO().queryAllByList(new?UserInfoModel());
userInfoList.parallelStream().forEach(RedisUserApi::setUserIdUserInfo); 對于列表中的元素的操作都會以并行的方式執(zhí)行。forEach方法會為每個元素的計算操作創(chuàng)建一個任務(wù)，該任務(wù)會被前文中提到的ForkJoinPool中的commonPool處理。
以上的并行計算邏輯當然也可以使用ThreadPoolExecutor完成，但是就代碼的可讀性和代碼量而言，使用ForkJoinPool明顯更勝一籌。
對于ForkJoinPool通用線程池的線程數(shù)量，通常使用默認值就可以了，即運行時計算機的處理器數(shù)量。也可以通過設(shè)置系統(tǒng)屬性：-Djava.util.concurrent .ForkJoinPool.common.parallelism=N （N為線程數(shù)量）,來調(diào)整ForkJoinPool的線程數(shù)量。
值得注意的是，當前執(zhí)行的線程也會被用來執(zhí)行任務(wù)，所以最終的線程個數(shù)為N+1，1就是當前的主線程。
這里就有一個問題，如果你在并行流的執(zhí)行計算使用了_阻塞操作_，如I/O，那么很可能會導致一些問題：
public?static?String?query(String question)?{
??List engines =?new?ArrayList();
??engines.add("http://www.google.com/?q=");
??engines.add("http://duckduckgo.com/?q=");
??engines.add("http://www.bing.com/search?q=");
??// get element as soon as it is available
??Optional result = engines.stream().parallel().map((base) - {
????String url =?base?+ question;
????// open connection and fetch the result
????return?WS.url(url).get();
??}).findAny();
??return?result.get();
} 這個例子很典型，讓我們來分析一下：
這個并行流計算操作將由主線程和JVM默認的ForkJoinPool.commonPool()來共同執(zhí)行。
map中是一個阻塞方法，需要通過訪問HTTP接口并得到它的response，所以任何一個worker線程在執(zhí)行到這里的時候都會阻塞并等待結(jié)果。
所以當此時再其他地方通過并行流方式調(diào)用計算方法的時候，將會受到此處阻塞等待的方法的影響。
目前的ForkJoinPool的實現(xiàn)并未考慮補償?shù)却切┳枞诘却律傻木€程的工作worker線程，所以最終ForkJoinPool.commonPool()中的線程將備用光并且阻塞等待。
“
正如我們上面那個列子的情況分析得知，lambda的執(zhí)行并不是瞬間完成的,所有使用parallel streams的程序都有可能成為阻塞程序的源頭， 并且在執(zhí)行過程中程序中的其他部分將無法訪問這些workers，這意味著任何依賴parallel streams的程序在什么別的東西占用著common ForkJoinPool時將會變得不可預知并且暗藏危機。
”
小結(jié)：
當需要處理遞歸分治算法時，考慮使用ForkJoinPool。
仔細設(shè)置不再進行任務(wù)劃分的閾值，這個閾值對性能有影響。
Java 8中的一些特性會使用到ForkJoinPool中的通用線程池。在某些場合下，需要調(diào)整該線程池的默認的線程數(shù)量
lambda應該盡量避免副作用，也就是說，避免突變基于堆的狀態(tài)以及任何IO
lambda應該互不干擾，也就是說避免修改數(shù)據(jù)源（因為這可能帶來線程安全的問題）
避免訪問在流操作生命周期內(nèi)可能會改變的狀態(tài)
?
8
并行流框架的性能受以下因素影響：
數(shù)據(jù)大小：數(shù)據(jù)夠大，每個管道處理時間夠長，并行才有意義；
源數(shù)據(jù)結(jié)構(gòu)：每個管道操作都是基于初始數(shù)據(jù)源，通常是集合，將不同的集合數(shù)據(jù)源分割會有一定消耗；
裝箱：處理基本類型比裝箱類型要快；
核的數(shù)量：默認情況下，核數(shù)量越多，底層fork/join線程池啟動線程就越多；
單元處理開銷：花在流中每個元素身上的時間越長，并行操作帶來的性能提升越明顯；
源數(shù)據(jù)結(jié)構(gòu)分為以下3組：
性能好：ArrayList、數(shù)組或IntStream.range(數(shù)據(jù)支持隨機讀取，能輕易地被任意分割)
性能一般：HashSet、TreeSet(數(shù)據(jù)不易公平地分解，大部分也是可以的)
性能差：LinkedList(需要遍歷鏈表，難以對半分解)、Stream.iterate和BufferedReader.lines(長度未知，難以分解)
注意：下面幾個部分節(jié)選自：Streams 的幕后原理，順便感謝一下作者_Brian Goetz_，寫的太通透了。
9
要確定并行性是否會帶來提速，需要考慮的最后兩個因素是：可用的數(shù)據(jù)量和針對每個數(shù)據(jù)元素執(zhí)行的計算量。
在我們最初的并行分解描述中，我們采用的概念是拆分來源，直到分段足夠小，以致解決該分段上的問題的順序方法更高效。分段大小必須依賴于所解決的問題，確切的講，取決于每個元素完成的工作量。
例如，計算一個字符串的長度涉及的工作比計算字符串的 SHA-1 哈希值要少得多。為每個元素完成的工作越多，“大到足夠利用并行性” 的閾值就越低。類似地，擁有的數(shù)據(jù)越多， 拆分的分段就越多，而不會與 “太小” 閾值發(fā)生沖突。
一個簡單但有用的并行性能模型是 NQ 模型，其中 N 是數(shù)據(jù)元素數(shù)量，Q 是為每個元素執(zhí)行的工作量。乘積 N*Q 越大，就越有可能獲得并行提速。對于具有很小的 Q 的問題，比如對數(shù)字求和，您通常可能希望看到 N > 10,000 以獲得提速；隨著 Q 增加，獲得提速所需的數(shù)據(jù)大小將會減小。
并行化的許多阻礙（比如拆分成本、組合成本或遇到順序敏感性）都可以通過 Q 更高的操作來緩解。盡管拆分某個 LinkedList 特征的結(jié)果可能很糟糕，但只要擁有足夠大的 Q，仍然可能獲得并行提速。
10
遇到順序指的是來源分發(fā)元素的順序是否對計算至關(guān)重要。一些來源（比如基于哈希的集合和映射）沒有有意義的遇到順序。流標志 ORDERED 描述了流是否有有意義的遇到順序。
JDK 集合的 spliterator 會根據(jù)集合的規(guī)范來設(shè)置此標志；
一些中間操作可能注入 ORDERED (sorted()) 或清除它 (unordered())。
如果流沒有遇到順序，大部分流操作都必須遵守該順序。對于順序執(zhí)行，會「自動保留遇到順序」，因為元素會按遇到它們的順序自然地處理。
甚至在并行執(zhí)行中，許多操作（無狀態(tài)中間操作和一些終止操作（比如 reduce()）），遵守遇到順序不會產(chǎn)生任何實際成本。
但對于其他操作（有狀態(tài)中間操作，其語義與遇到順序關(guān)聯(lián)的終止操作，比如 findFirst() 或 forEachOrdered()）， 在并行執(zhí)行中遵守遇到順序的責任可能很重大。
如果流有一個已定義的遇到順序，但該順序?qū)Y(jié)果沒有意義， 那么可以通過使用 unordered() 操作刪除 ORDERED 標志，加速包含順序敏感型操作的管道的順序執(zhí)行。
作為對遇到順序敏感的操作的示例，可以考慮 limit()，它會在指定大小處截斷一個流。在順序執(zhí)行中實現(xiàn) limit() 很簡單：保留一個已看到多少元素的計數(shù)器，在這之后丟棄任何元素。
但是在并行執(zhí)行中，實現(xiàn) limit() 要復雜得多；您需要保留前 N 個元素。此要求大大限制了利用并行性的能力；如果輸入劃分為多個部分，您只有在某個部分之前的所有部分都已完成后，才知道該部分的結(jié)果是否將包含在最終結(jié)果中。
因此，該實現(xiàn)一般會錯誤地選擇不使用所有可用的核心，或者緩存整個試驗性結(jié)果，直到您達到目標長度。
如果流沒有遇到順序，limit() 操作可以自由選擇任何 N 個元素，這讓執(zhí)行效率變得高得多。知道元素后可立即將其發(fā)往下游， 無需任何緩存，而且線程之間唯一需要執(zhí)行的協(xié)調(diào)是發(fā)送一個信號來確保未超出目標流長度。
遇到順序成本的另一個不太常見的示例是排序。如果遇到順序有意義，那么 sorted() 操作會實現(xiàn)一種穩(wěn)定 排序 （相同的元素按照它們進入輸入時的相同順序出現(xiàn)在輸出中），而對于無序的流，穩(wěn)定性（具有成本）不是必需的。
distinct() 具有類似的情況：如果流有一個遇到順序，那么對于多個相同的輸入元素，distinct() 必須發(fā)出其中的第一個， 而對于無序的流，它可以發(fā)出任何元素 — 同樣可以獲得高效得多的并行實現(xiàn)。
在使用 collect() 聚合時會遇到類似的情形。如果在無序流上執(zhí)行 collect(groupingBy()) 操作， 與任何鍵對應的元素都必須按它們在輸入中出現(xiàn)的順序提供給下游收集器。
此順序?qū)贸绦蛲ǔ]有什么意義，而且任何順序都沒有意義。在這些情況下，可能最好選擇一個并發(fā) 收集器（比如 groupingByConcurrent()），它可以忽略遇到順序， 并讓所有線程直接收集到一個共享的并發(fā)數(shù)據(jù)結(jié)構(gòu)中（比如 ConcurrentHashMap），而不是讓每個線程收集到它自己的中間映射中， 然后再合并中間映射（這可能產(chǎn)生很高的成本）。
往期推薦