一、parallelStream是什么

Java8中提供了能夠更方便處理集合數據的Stream類，其中parallelStream()方法能夠充分利用多核CPU的優勢，使用多線程加快對集合數據的處理速度。不熟悉Stream類的同學，可以先參考我的另外一篇文章Java8中Stream的常用方法

parallelStream()方法的源碼如下：

/** * @return a possibly parallel {@code Stream} over the elements in this * collection * @since 1.8 */ default Stream parallelStream() { return StreamSupport.stream(spliterator(), true); }

從注釋的@return a possibly parallel可以看得出來，parallelStream()并不是一定返回一個并行流，有可能parallelStream()全是由主線程順序執行的。

---

二、parallelStream內部使用了哪些線程

以一個簡單的例子，來看看parallelStream內部到底使用了哪些線程

Integer[] array = new Integer[]{1, 2, 3, 4, 5}; Arrays.asList(array).parallelStream().forEach(i -> { System.out.println(Thread.currentThread().getName() + " num:" + i); });

輸出結果如下：

可以看得出來，結果是亂序輸出的，且參與并行處理的線程有主線程以及ForkJoinPool中的worker線程

---

三、Fork/Join框架

注：本文不會深入研究Fork/Join框架的源碼以及與線程池的異同點，只是僅僅解開parallelStream的面紗，后續會有更深入的文章去講解Fork/Join框架的原理。

parallelStream的底層是基于ForkJoinPool的，ForkJoinPool實現了ExecutorService接口，因此和線程池的關系微妙。(對線程池不熟悉的同學，可以參考我的另外一篇文章說說線程池)

ForkJoinPool和ExecutorService的繼承關系如圖所示：

Fork/Join框架主要采用分而治之的理念來處理問題，對于一個比較大的任務，首先將它拆分(fork)為兩個小任務task1與task2。

使用新的線程thread1去處理task1，thread2去處理task2。

如果thread1認為task1還是太大，則繼續往下拆分成新的子任務task3與task4。

thread2認為task2任務量不大，則立即進行處理，形成結果result2。

之后將task3和task4的處理結果合并(join)成result1，最后將result1與result2合并成最后的結果。

用圖來描述可能更加直觀：

下面用一個示例代碼，計算出1到10000的和(實際上應該取到一個很大的數字，這里為了演示方便就到10000就結束)來演示ForkJoinPool的簡單使用。

package com.qcy.testStream;import java.util.concurrent.ExecutionException;import java.util.concurrent.ForkJoinPool;import java.util.concurrent.ForkJoinTask;import java.util.concurrent.RecursiveTask;import java.util.stream.IntStream;/** * @author qcy * @create 2020/08/13 21:31:45 */public class Task extends RecursiveTask { //起始數 private Integer startNum; //結束數 private Integer endNum; //最大間隔數 private Integer maxInterval; public Task(Integer startNum, Integer endNum, Integer maxInterval) { this.startNum = startNum; this.endNum = endNum; this.maxInterval = maxInterval; } @Override protected Integer compute() { if (endNum - startNum < maxInterval) { //任務足夠小，不需要拆分 return IntStream.rangeClosed(startNum, endNum).sum(); } //需要拆分任務 int middleNum = (startNum + endNum) % 2 == 0 ? (startNum + endNum) / 2 : (startNum + endNum - 1) / 2; Task t1 = new Task(startNum, middleNum, maxInterval); Task t2 = new Task(middleNum + 1, endNum, maxInterval); //使用invokeAll,能讓這兩個任務被并行處理 invokeAll(t1, t2); //使用t1.fork()、t2.fork()則讓這兩個任務串行處理 return t1.join() + t2.join(); } public static void main(String[] args) throws ExecutionException, InterruptedException { ForkJoinPool pool = new ForkJoinPool(); Task task = new Task(1, 10000, 100); ForkJoinTask future = pool.submit(task); System.out.println(future.get()); }}

當我們使用默認的不帶參數的方法構造ForkJoinPool時，默認最大的線程并行數量是當前CPU的核數。在一定程度上，這樣做能夠減少線程上下文切換的次數。

public ForkJoinPool() { this(Math.min(MAX_CAP, Runtime.getRuntime().availableProcessors()), defaultForkJoinWorkerThreadFactory, null, false); }

當然，我們可以使用-Djava.util.concurrent.ForkJoinPool.common.parallelism=x，其中x為ForkJoinPool中的線程數量，當設定為2時，則上述計算1到10000之和的任務，總共只有兩個線程來處理任務。

注意此參數是全局的，會影響其他parallelStream中的線程總數。

但是對于第一個例子，一共會有3個線程來進行處理，多出來那個線程是主線程。如圖所示：

---

四、使用parallelStream的一些注意點

(1)parallelStream并行流一定要使用線程安全的對象，比如有這樣的一個場景

List list = new ArrayList<>(); IntStream.rangeClosed(1, 10000).parallel().forEach(i -> list.add(i));

執行就立即報錯了：

ArrayList本身就是一個線程不安全的容器，在多線程的操作下，擴容操作可能會導致產生數組越界的異常。

此時，要么使用線程安全的容器，比如Vector，要么使用collect完成串行收集。

List collect = IntStream.rangeClosed(1, 10000) .parallel() .boxed() .collect(Collectors.toList());

(2)線程關聯的ThreadLocal將會失效

(不熟悉ThreadLocal的同學，可以參考我的另外一篇文章淺談ThreadLocal)

這一點從第二小節就可以看出，主線程參與到parallelStream中的任務處理的過程中。如果我們處理的任務方法中包含對ThreadLocal的處理，可能除主線程之外的所有線程都獲取不到自己的線程局部變量，加之ForkJoinPool中的線程是反復使用的，線程關聯的ThreadLocal會發生共用的情況。

所以我的建議是，parallelStream中就不要使用ThreadLocal了，要么在任務處理方法中，第一行先進行ThreadLocal.set()，之后再由ThreadLocal.get()獲取到自己的線程局部變量。

非要用ThreadLocal的話，為了規避使用不當而帶來內存泄漏的風險，可以參考我的這篇文章ThreadLocal使用不好，小心造成內存泄露！

(3)使用parallelStream也不一定會提升性能

在CPU資源緊張的時候，使用并行流可能會帶來頻繁的線程上下文切換，導致并行流執行的效率還沒有串行執行的效率高。

總結

以上是生活随笔為你收集整理的parallelstream启动的线程数_谈谈并行流parallelStream的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。