关于java:JDK-8-Stream-数据流效率怎么样

Stream 是 Java SE 8 类库中新增的要害形象，它被定义于 java.util.stream（这个包里有若干流类型：Stream<T> 代表对象援用流，此外还有一系列特化流，如 IntStream，LongStream，DoubleStream 等。

Java 8 引入的的 Stream 次要用于取代局部 Collection 的操作，每个流代表一个值序列，流提供一系列罕用的汇集操作，能够便捷的在它下面进行各种运算。汇合类库也提供了便捷的形式使咱们能够以操作流的形式应用汇合、数组以及其它数据结构；

当数据源中的数据上了流水线后，这个过程对数据进行的所有操作都称为“两头操作”；
两头操作依然会返回一个流对象，因而多个两头操作能够串连起来造成一个流水线；
stream 提供了多种类型的两头操作，如 filter、distinct、map、sorted 等等；

当所有的两头操作实现后，若要将数据从流水线上拿下来，则须要执行终端操作；
stream 对于终端操作，能够间接提供一个两头操作的后果，或者将后果转换为特定的 collection、array、String 等；

数据流的从一头获取数据源，在流水线上顺次对元素进行操作，当元素通过流水线，便无奈再对其进行操作，能够从新在数据源获取一个新的数据流进行操作；

对 Collection 进行解决，个别会应用 Iterator 遍历器的遍历形式，这是一种内部迭代；

而对于解决 Stream，只有申明解决形式，处理过程由流对象自行实现，这是一种外部迭代，对于大量数据的迭代解决中，外部迭代比内部迭代要更加高效；

无存储： 流并不存储值；流的元素源自数据源（可能是某个数据结构、生成函数或 I / O 通道等等），通过一系列计算步骤失去；
函数式格调： 对流的操作会产生一个后果，但流的数据源不会被批改；
惰性求值： 少数流操作（包含过滤、映射、排序以及去重）都能够以惰性形式实现。这使得咱们能够用一遍遍历实现整个流水线操作，并能够用短路操作提供更高效的实现；
无需上界： 不少问题都能够被表白为有限流（infinite stream）：用户不停地读取流直到称心的后果呈现为止（比如说，枚举完满数这个操作能够被表白为在所有整数上进行过滤）；汇合是无限的，但流能够表白为无线流；
代码简练： 对于一些 collection 的迭代解决操作，应用 stream 编写能够非常简洁，如果应用传统的 collection 迭代操作，代码可能非常啰嗦，可读性也会比拟蹩脚；

好了，下面 stream 的长处吹了那么多，stream 函数式的写法是很难受，那么 steam 的效率到底怎么呢？

先说论断：

传统 iterator (for-loop) 比 stream(JDK8) 迭代性能要高，尤其在小数据量的状况下；

– 在多核情景下，对于大数据量的解决，parallel stream 能够有比 iterator 更高的迭代解决效率；

我别离对一个随机数列 List（数量从 10 到 10000000）进行映射、过滤、排序、规约统计、字符串转化场景下，对应用 stream 和 iterator 实现的运行效率进行了统计，测试代码基准测试代码链接

测试环境如下：

System：Ubuntu 16.04 xenial

CPU：Intel Core i7-8550U

RAM：16GB

JDK version：1.8.0_151

JVM：HotSpot(TM) 64-Bit Server VM (build 25.151-b12, mixed mode)

JVM Settings:

    -Xms1024m

    -Xmx6144m

    -XX:MaxMetaspaceSize=512m

    -XX:ReservedCodeCacheSize=1024m

    -XX:+UseConcMarkSweepGC

    -XX:SoftRefLRUPolicyMSPerMB=100

把一个随机数列（List<Integer>）中的每一个元素自增 1 后，从新组装为一个新的 List<Integer>，测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

//stream
List<Integer> result = list.stream()
.mapToInt(x -> x)
.map(x -> ++x)
.boxed()
.collect(Collectors.toCollection(ArrayList::new));
//iterator
List<Integer> result = new ArrayList<>();
for(Integer e : list){result.add(++e);
}
//parallel stream
List<Integer> result = list.parallelStream()
.mapToInt(x -> x)
.map(x -> ++x)
.boxed()
.collect(Collectors.toCollection(ArrayList::new));

取出一个随机数列（List<Integer>）中的大于 200 的元素，并组装为一个新的 List<Integer>，测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

//stream
List<Integer> result = list.stream()
.mapToInt(x -> x)
.filter(x -> x > 200)
.boxed()
.collect(Collectors.toCollection(ArrayList::new));
//iterator
List<Integer> result = new ArrayList<>(list.size());
for(Integer e : list){if(e > 200){result.add(e);
    }
}
//parallel stream
List<Integer> result = list.parallelStream()
.mapToInt(x -> x)
.filter(x -> x > 200)
.boxed()
.collect(Collectors.toCollection(ArrayList::new));

对一个随机数列（List<Integer>）进行天然排序，并组装为一个新的 List<Integer>，iterator 应用的是 Collections # sort API（应用归并排序算法实现），测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

//stream
List<Integer> result = list.stream()
.mapToInt(x->x)
.sorted()
.boxed()
.collect(Collectors.toCollection(ArrayList::new));
//iterator
List<Integer> result = new ArrayList<>(list);
Collections.sort(result);
//parallel stream
List<Integer> result = list.parallelStream()
.mapToInt(x->x)
.sorted()
.boxed()
.collect(Collectors.toCollection(ArrayList::new));

获取一个随机数列（List<Integer>）的最大值，测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

//stream
int max = list.stream()
.mapToInt(x -> x)
.max()
.getAsInt();
//iterator
int max = -1;
for(Integer e : list){if(e > max){max = e;}
}
//parallel stream
int max = list.parallelStream()
.mapToInt(x -> x)
.max()
.getAsInt();

获取一个随机数列（List<Integer>）各个元素应用“,”分隔的字符串，测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

  //stream
String result = list.stream().map(String::valueOf).collect(Collectors.joining(","));
//iterator
StringBuilder builder = new StringBuilder();
for(Integer e : list){builder.append(e).append(",");
}
String result = builder.length() == 0 ? "" : builder.substring(0,builder.length() - 1);
//parallel stream
String result = list.stream().map(String::valueOf).collect(Collectors.joining(","));

对一个随机数列（List<Integer>）进行去空值，除重，映射，过滤，并组装为一个新的 List<Integer>，测试的随机数列容量从 10 – 10000000，跑 10 次取均匀工夫；

//stream
List<Integer> result = list.stream()
.filter(Objects::nonNull)
.mapToInt(x -> x + 1)
.filter(x -> x > 200)
.distinct()
.boxed()
.collect(Collectors.toCollection(ArrayList::new));
//iterator
HashSet<Integer> set  = new HashSet<>(list.size());
for(Integer e : list){if(e != null && e > 200){set.add(e + 1);
    }
}
List<Integer> result = new ArrayList<>(set);
//parallel stream
List<Integer> result = list.parallelStream()
.filter(Objects::nonNull)
.mapToInt(x -> x + 1)
.filter(x -> x > 200)
.distinct()
.boxed()
.collect(Collectors.toCollection(ArrayList::new));

试验后果总结

从以上的试验来看，能够总结处以下几点：

在少低数据量的解决场景中（size<=1000），stream 的解决效率是不如传统的 iterator 内部迭代器处理速度快的，然而实际上这些解决工作自身运行工夫都低于毫秒，这点效率的差距对一般业务简直没有影响，反而 stream 能够使得代码更加简洁；
在大数据量（szie>10000）时，stream 的解决效率会高于 iterator，特地是应用了并行流，在 cpu 恰好将线程调配到多个外围的条件下（当然 parallel stream 底层应用的是 JVM 的 ForkJoinPool，这货色调配线程自身就很玄学），能够达到一个很高的运行效率，然而理论一般业务个别不会有须要迭代高于 10000 次的计算；
Parallel Stream 受引 CPU 环境影响很大，当没调配到多个 cpu 外围时，加上援用 forkJoinPool 的开销，运行效率可能还不如一般的 Stream；

应用 Stream 的倡议

简略的迭代逻辑，能够间接应用 iterator，对于有多步解决的迭代逻辑，能够应用 stream，损失一点简直没有的效率，换来代码的高可读性是值得的；
单核 cpu 环境，不举荐应用 parallel stream，在多核 cpu 且有大数据量的条件下，举荐应用 paralle stream；
stream 中含有装箱类型，在进行两头操作之前，最恶化成对应的数值流，缩小因为频繁的拆箱、装箱造成的性能损失；

最初，关注公众号 Java 技术栈，在后盾回复：面试，能够获取我整顿的 Java 系列面试题和答案，十分齐全。

原文链接：https://blog.csdn.net/Al_assa…

版权申明：本文为 CSDN 博主「Al_assad」的原创文章，遵循 CC 4.0 BY-SA 版权协定，转载请附上原文出处链接及本申明。

近期热文举荐：

1.600+ 道 Java 面试题及答案整顿 (2021 最新版)

2. 终于靠开源我的项目弄到 IntelliJ IDEA 激活码了，真香！

3. 阿里 Mock 工具正式开源，干掉市面上所有 Mock 工具！

4.Spring Cloud 2020.0.0 正式公布，全新颠覆性版本！

5.《Java 开发手册（嵩山版）》最新公布，速速下载！

感觉不错，别忘了顺手点赞 + 转发哦！

关于java:JDK-8-Stream-数据流效率怎么样

stream 的操作品种

①两头操作

②终端操作

stream 的特点

①只能遍历一次：

②采纳外部迭代的形式：

stream 绝对于 Collection 的长处

stream 和 iterator 迭代的效率比拟

1. 映射解决测试

2. 过滤解决测试

3. 天然排序测试

4. 归约统计测试

5. 字符串拼接测试

6. 混合操作测试

Just My Socks（注册教程内含优惠码）

关于java:JDK-8-Stream-数据流效率怎么样

stream 的操作品种

①两头操作

②终端操作

stream 的特点

①只能遍历一次：

②采纳外部迭代的形式：

stream 绝对于 Collection 的长处

stream 和 iterator 迭代的效率比拟

1. 映射解决测试

2. 过滤解决测试

3. 天然排序测试

4. 归约统计测试

5. 字符串拼接测试

6. 混合操作测试

Just My Socks（注册教程 内含优惠码）

Just My Socks（注册教程内含优惠码）