系统优化专题5——Stream

作者: 我菠菜今天就是要为所欲为 | 来源:发表于2020-10-14 08:48 被阅读0次

在Java8中，集合类Collection新增了两个流方法，分别是Stream()和ParallelStream()。

什么是Stream

在Java8之前，我们通总是通过for循环或者Iterator迭代来重新排序合并数据，又或者过重新定义Collections.sorts的Comparator方法来实现，这两种方式对于大数据量系统耒说，效率并不是很理想。

Java8添加了一个新的口类Stream,他和我们之前接触的字节流概念不太一样，Java8集合的Stream相当于高级版的Iterator,他可以通过Lambda表达式对集合进行各种非便利、高效的聚合操作(AggregateOperation)，或者大批量数据操作(Bulk Data Operation).

Stream的聚合操作与数据库SQL的聚台操作sorted、filter、map等类似。我们在应用层就可以高效地实现类似数据库SQL的聚合操作了，而在数据作方面Stream不仅可以通过串行的方式实现数据操作，还可以通过并行的方式处理大批量数据，提高数据的处理效率。

举例：

过滤分组一所中学里身高在160cm以上的男女同学，传统的代码实现：

Map<String,List<Student>> stuMap = new HashMap<>();
for(Student stu:studentsList){
    if(stu.getHeight() > 160){//身高大于160cm
        if(stuMap.get(stu.getSex()) == null){//性别没分类
            List<Student> list = new ArrayList<>();
            list.add(stu);//把学生放进列表
            stuMap.put(stu.getSex(),list);//把表放入map
        } else {//该性别分类已存在
            stuMap.get(stu.getSex()).add(stu);
        }
    }
}

再看看Java8中的Stream API进行实现：

//串行
Map<String,List<Student>> stuMap = stuList.Stream().filter(Student s) -> s.getHeight() > 160).collect(Collectors.groupingBy(Student ::getSex));
//并行
Map<String,List<Student>> stuMap = stuList.parallelStream().filter(Student s) -> s.getHeight() > 160).collect(Collectors.groupingBy(Student ::getSex));

可以看到，使用Stream结合Lambda表达式实现遍历筛选功能非常简单。

Stream如何优化遍历

Stream是如何做到优化迭代的？并行又是如何实现的？我们通过源码看一下Stream的实现原理。

Stream操作分类

Stream的操作分类其实是实现高效迭代大数据集合的重要原因之一。

官方将Stream中的操作分为两大类：中间操作(Intermediate operations)和终结操作(Terminal operations)。中间操作只对操作进行了记景，即只会返回一个流，不会进行计算操作，而终结操作是实现了计算操作。

中间操作又可以分为无状态(Stateless)与有状态(Stateful)操作，前者是指元素的处理不受之前元素的影响，后者是指该操作只有拿到所有元素之后才能继续下去。

终结操作又可以分为短路(Short-circuiting)与非短路(Unshort-circuiting)操作，前者是指遇到某些符合条件的元素就可以得到最终结果，后者是指必须处理完所有元素才能得到最终结果。操作分类详情如下图所示：

image.png

我们通常还会将中间操作称为懒操作，也正是由这种懒操作结合终结操作、数据源构成的处理管道(Pipeline)，实现了Stream的高效。

Stream源码实现

在了解Stream如何工作之前，我们先来了解下Stream包是由哪些主要结构类组合而成的，各个类的职责参照下图：

image.png

BaseStream和Stream为最顶端的接口类。

BaseStream主要定义了流的基本接口方法，例如spliterator、isParallel等，Stream则定义了一些流的常用操作方法，例如，map、filter等。

ReferencePipeline是一个结构类，他通过定义内部类组装了各种操作流。他定义了Head、StatelessOp、StatefulOp三个内部类，实现了BaseStream与Stream的接口方法。

Sink接口是定义每个Stream操作之间关系的协议，他包含begin()、end()、
cancellationRequested()、accpt()四个方法。

ReferencePipeline最终会将整个Stream流操作组装成一个调用链，而调用链上的各个Stream操作的上下关系就是通过Sink接口协议来定义实现的。

Stream操作叠加

一个Stream的各个操作是由处理管道组装，并统一完成数据处理的。在JDK每次的中断操作会以使用阶段(Stage)命名。

管道结构通常是由ReferencePipeline类实现的，前面提到过，ReferencePipeline包含了Head、StatelessOp、StatefulOp三种内部类。

Head类主要来定义数据源操作，在我们初次调用xxx.stream()方法时，会初次加载Head对象，此时为加载数据源操作。

接着加载的是中间操作，分别为无状态中间操作StatelessOp对象和有状态操作StatefulOp对象，此时的Stage并没有执行，而是通过AbstractPipeline生成了一个中间操作Stage链表。

当我们调用终结操作时，会生成一个最终的Stage,通过这个个Stage触发之前的中间操作，从最后一个Stage开始，递归产生一个Sink链。

如下图所示：

image.png

下面通过一个例子来感受一下Stream的操作分类是如何实现高效迭代大数据集合的。

List<String> names = Arrays.asList("张三","李四","王老五","李三","刘老四","王小二","张四","张五六七");

String maxLenStarWithZ = names.stream()
    .filter(name -> name.startsWith("张"))
    .mapToInt(String::length)
    .max()
    .toString();

这个例子的操作是查出一个以张开头，长度最长的名字。从经验上，我们会认为是这样的操作流程：

首先遍历一次集合，得到以‘张’开头的所有名字；
遍历一次filter得到的集合，将名字转换成数字长度；
最后找到最长的名字并返回。

但，实际情况并非这样，下面我们来逐步分析一下这个操作是如何执行的。

首先，由于names是ArrayList集合，所以names.stream()方法将会调用集合类基础接口Collection的Stream方法：

default Stream<E> stream(){
    return StreamSupport.stream(spliterator(),false);
}

然后，Stream方法会调用StreamSupport类的Stream方法，方法中初始化了一个ReferencePipeline的Head内部类对象：

public static <T> Stream<T> (Spliterator<T> spliterator,boolean parallel) {
    Objects.requireNonNull(spliterator);
    return new ReferencePipeline.Head<>(spliterator,StreamOpFlag.fromCharacteristics(spliterator),parallel);
}

再调用filter和map方法，这两个方法都是无状态的中间操作，所以执行filter和map作时，并没有进行任何的操作，而是分别创建了一个Stage来标识总户的每一次操作。

而通总情况下Stream的操作又要一个回调函数，所以一个完整的Stage是由数据来源、操作、回调函数组成的三元组来表示。如下图所示，分别是ReferencePipeline的filter方法和map方法：

@Override
    public final Stream<P_OUT> filter(Predicate<? super P_OUT> predicate) {
        Objects.requireNonNull(predicate);
        return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,
                                     StreamOpFlag.NOT_SIZED) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {
                return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {
                    @Override
                    public void begin(long size) {
                        downstream.begin(-1);
                    }

                    @Override
                    public void accept(P_OUT u) {
                        if (predicate.test(u))
                            downstream.accept(u);
                    }
                };
            }
        };
    }

    @Override
    @SuppressWarnings("unchecked")
    public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) {
        Objects.requireNonNull(mapper);
        return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
                                     StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
                return new Sink.ChainedReference<P_OUT, R>(sink) {
                    @Override
                    public void accept(P_OUT u) {
                        downstream.accept(mapper.apply(u));
                    }
                };
            }
        };
    }

newStatelessOp将令调用父类AbstractPipeline的构造函数，这个构造函数将前后的Stage联系起来，生成一个Stage链表:

    /**
     * Constructor for appending an intermediate operation stage onto an
     * existing pipeline.
     *
     * @param previousStage the upstream pipeline stage
     * @param opFlags the operation flags for the new stage, described in
     * {@link StreamOpFlag}
     */
    AbstractPipeline(AbstractPipeline<?, E_IN, ?> previousStage, int opFlags) {
        if (previousStage.linkedOrConsumed)
            throw new IllegalStateException(MSG_STREAM_LINKED);
        previousStage.linkedOrConsumed = true;
        previousStage.nextStage = this;

        this.previousStage = previousStage;
        this.sourceOrOpFlags = opFlags & StreamOpFlag.OP_MASK;
        this.combinedFlags = StreamOpFlag.combineOpFlags(opFlags, previousStage.combinedFlags);
        this.sourceStage = previousStage.sourceStage;
        if (opIsStateful())
            sourceStage.sourceAnyStateful = true;
        this.depth = previousStage.depth + 1;
    }

因为在创建每一个Stage时，都会包含一个opWrapSink()方法，该方法会把一个操作的具体实现封装在Sink类中,Sink采用（处理一>转发）的模式来叠加操作。

当执行了max方法时，会调用ReferencePipeline的max方法，此时由于ma×方法是终结操作，所以会创建一个TerminalOp操作,同时创建一个ReducingSink,并且将操作封装在Sink类中。

@Override
public final Optional<P_OUT> max(Comparator<? super P_OUT> comparator) {
    return reduce(BinaryOperator.maxBy(comparator));
}

最调用AbstractPipeline的wrapSink方法，该方法会调用opWrapSink生成一一Sink链表，Sink链表中的每一个Sink都封装了一个操作的具体实现。

    @Override
    @SuppressWarnings("unchecked")
    final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {
        Objects.requireNonNull(sink);

        for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
            sink = p.opWrapSink(p.previousStage.combinedFlags, sink);
        }
        return (Sink<P_IN>) sink;
    }

当Sink链表生成完成后Stream开执行，通过spliterator迭代集合，执行Sink链表中的具体操作。

@Override
    @SuppressWarnings("unchecked")
    final <P_IN> void copyIntoWithCancel(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
        @SuppressWarnings({"rawtypes","unchecked"})
        AbstractPipeline p = AbstractPipeline.this;
        while (p.depth > 0) {
            p = p.previousStage;
        }
        wrappedSink.begin(spliterator.getExactSizeIfKnown());
        p.forEachWithCancel(spliterator, wrappedSink);
        wrappedSink.end();
    }

Java8的Spliterator的forEachRemaining会迭代集合，每迭代一次，都会执行一次filter操作，如果filter作通过，就会触发map操作，然后将结果放入到临时数组object，再进行下一次的迭代。完成中间操作后，就会触发终结操作max。以上就是Stream的串行处理方式了。

Stream并行处理

要实现Stream的并行处理，我们只要在例子中的代码中新增一个Parallel()方法。

List<String> names = Arrays.asList("张三","李四","王老五","李三","刘老四","王小二","张四","张五六七");

String maxLenStarWithZ = names.stream()
    .parallel()
    .filter(name -> name.startsWith("张"))
    .mapToInt(String::length)
    .max()
    .toString();

Stream的并行处理在执行终结操作之前，跟串行处理的实现是一样的。而在调用终结方法之后，实现的方式就有点不太一样，会调用TerminalOp的evaluateParallel方法进行并行处理。

    /**
     * Evaluate the pipeline with a terminal operation to produce a result.
     *
     * @param <R> the type of result
     * @param terminalOp the terminal operation to be applied to the pipeline.
     * @return the result
     */
    final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp) {
        assert getOutputShape() == terminalOp.inputShape();
        if (linkedOrConsumed)
            throw new IllegalStateException(MSG_STREAM_LINKED);
        linkedOrConsumed = true;

        return isParallel()
               ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags()))
               : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
    }

送里的并行处理指的是Stream结合了ForkJoin框架对Stream处理进行了分片，Splititerator中的estimateSize方法会估算出分片的数据量。

ForkJoin框架和估算算法，可以深入源码分析下该算法的实现。

通过预估的数据量获取最小处理单元的值，如果当前分片大小大于最小处理单元的值，就继续切分集合每个分片将会生成一个Sink链表，当所有的分片操作完成后ForkJoin框架将会合并分片任何结果集。

合理使用Stream

StreamAPI用起来简洁，还能并行处理，我们将对常规的迭代、Stream串行迭代以及Stream并行迭代进行性能测试对比，迭代循环中，我们将对数据进行过滤分组等操作。分别进行以下几组测试：

测试环境	数据长度	数据类型	测试结果(ms)
多核CPU	100	int数组	常规<Stream并行<Stream串行
多核CPU	1.00E+8	int数组	Stream并行<常规<Stream串行
多核CPU	1.00E+8	对象数组	Stream并行<常规<Stream串行
单核CPU	1.00E+8	对象数组	常规<Stream串行<Stream并行

从上述测试可以看出，在多核大批量数据的情况下，Stream并行操作的性能要好一些，盲目使用Stream未必可以使系统性能更佳，还是要结合具体场景进行选择。

总结

纵观Stream的设计实现，非常值得我们学习。从大的设计方向上来说，Stream将整个操作分解为了链式结构，不仅简化了遍历操作，还为实现了并行计算打下了基础。

从小的分类方向上来说，Stream将遍历元素的操作和对元素的计算分为中间操作和终结操作，而中间操作又根据元素之间状态有无干扰分为有状态和无状态操作，实现了链结构中的不同阶段。、

在串行处理作中，Stream在执行每一步中间操作时，并不会做实际的数据操作处理，而是将这些中间操作串联起来最终由终结操作触发，生成一个数据处理链表通过Java8的Spliterator迭代器进行数据处理；此时，执行一次迭代，就对所有的无状态的中间操作进行数据处理，而对有状态的甲间操作，就要迭代处理完所有的数据，再进行处理作；最后就是进行终结操作的数据处理。

在并行处理操作中，Stream对中间操作基本跟串行处理方式是一样的，但在终结操作中，Stream将结合ForkJoin框架对集合进行切片处理，ForkJoin框架将每个切片的处理结果Join合并起来。最后就是要注意Stream的使用场景。

系统优化专题5——Stream

什么是Stream

Stream如何优化遍历

Stream操作分类

Stream源码实现

Stream操作叠加

Stream并行处理

合理使用Stream

总结

相关文章

网友评论

延伸阅读

深度阅读

栏目导航

热点阅读