学习Java8StreamApi（5）Stream周边及其他

　　StreamAPI
　　经过前面4篇内容的学习，我们已经掌握了Stream大部分的知识，本节我们针对之前Stream未涉及的内容及周边知识点做个补充。ForkJoin框架
　　forkjoin框架是Java7中引入的新特性，它是一个工具，通过分而治之的方法尝试将所有可用的处理器内核使用起来帮助加速并行处理。
　　在实际使用过程中，这种分而治之的方法意味着框架首先要fork，递归地将任务分解为较小的独立子任务，直到它们足够简单以便异步执行。然后，join部分开始工作，将所有子任务的结果递归地连接成单个结果，或者在返回void的任务的情况下，程序只是等待每个子任务执行完毕。
　　为了提供有效的并行执行，forkjoin框架使用了一个名为ForkJoinPool的线程池，用于管理ForkJoinWorkerThread类型的工作线程。ForkJoin优点
　　ForkJoin架构使用了一种名为工作窃取（workstealing）算法来平衡线程的工作负载。
　　简单来说，工作窃取算法就是空闲的线程试图从繁忙线程的队列中窃取工作。
　　默认情况下，每个工作线程从其自己的双端队列中获取任务。但如果自己的双端队列中的任务已经执行完毕，双端队列为空时，工作线程就会从另一个忙线程的双端队列尾部或全局入口队列中获取任务，因为这是最大概率可能找到工作的地方。
　　这种方法最大限度地减少了线程竞争任务的可能性。它还减少了工作线程寻找任务的次数，因为它首先在最大可用的工作块上工作。ForkJoin使用
　　ForkJoinTask是ForkJoinPool线程之中执行的任务的基本类型。我们日常使用时，一般不直接使用ForkJoinTask，而是扩展它的两个子类中的任意一个任务不返回结果（返回void）的RecursiveAction返回值的任务的RecursiveTask
　　这两个类都有一个抽象方法compute（），用于定义任务的逻辑。
　　我们所要做的，就是继承任意一个类，然后实现compute（）方法，步骤如下：创建一个表示工作总量的对象选择合适的阈值定义分割工作的方法定义执行工作的方法
　　如下是使用ForkJoin方式实现的1至1000006587的ForkJoin方式累加，我们和单线程的循环累加做了下对比，在Inteli54460的PC机器下，单线程执行使用了650ms，使用了ForkJoin方式执行210ms，优化效果挺明显。publicclassNumberAddTaskextendsRecursiveTaskLong｛privatestaticfinalintTHRESHOLD100000；publicNumberAddTask（intbegin，intend）｛super（）；this。this。｝OverrideprotectedLongcompute（）｛if（endbeginTHRESHOLD）｛longsum0；for（i）｛｝｝intmid（beginend）2；NumberAddTaskt1newNumberAddTask（begin，mid）；NumberAddTaskt2newNumberAddTask（mid1，end）；ForkJoinTask。invokeAll（t1，t2）；returnt1。join（）t2。join（）；｝｝1至1000006587的ForkJoin方式累加TestpublicvoidtestAddForkJoin（）｛longbeginSystem。currentTimeMillis（）；intn1000006587；ForkJoinPoolpoolForkJoinPool。commonPool（）；log。info（12。。。｛｝｛｝，n，pool。invoke（newNumberAddTask（1，n）））；longendSystem。currentTimeMillis（）；log。info（ForkJoin方式执行时间：｛｝ms，endbegin）；｝1至1000006587的单线程累加TestpublicvoidtestAddFunction（）｛longbeginSystem。currentTimeMillis（）；intn1000006587；longsum0；for（inti1；i）｛｝log。info（12。。。｛｝｛｝，n，sum）；longendSystem。currentTimeMillis（）；log。info（函数方式执行时间：｛｝ms，endbegin）；｝ForkJoin使用场景
　　我使用Java8官方Api中RecursiveTask的示例，创建了一个计算斐波那契数列的ForkJoin实现，虽然官方也提到了这是愚蠢的实现斐波那契数列方法，甚至效果还不如单线程的递归计算，但是这也说明了ForkJoin并非万能的。TestpublicvoidtestForkJoin（）｛执行f（40）102334155使用3411ms执行f（80）2个多小时，无法计算出结果longbeginSystem。currentTimeMillis（）；intn40；ForkJoinPoolpoolForkJoinPool。commonPool（）；log。info（ForkJoinPool初始化时间：｛｝ms，System。currentTimeMillis（）begin）；log。info（斐波那契数列f（｛｝）｛｝，n，pool。invoke（newFibonacciTask（n）））；longendSystem。currentTimeMillis（）；log。info（ForkJoin方式执行时间：｛｝ms，endbegin）；｝不用递归计算斐波那契数列反而更快TestpublicvoidtestFibonacci（）｛执行f（50000）使用110ms输出f（50000）17438开头的10450位长的整数longbeginSystem。currentTimeMillis（）；intn50000；log。info（斐波那契数列f（｛｝）｛｝，n，FibonacciUtil。fibonacci（n））；longendSystem。currentTimeMillis（）；log。info（函数方式执行时间：｛｝ms，endbegin）；｝
　　以上代码见StreamOtherTest。
　　ForkJoin最大的优点是提供了工作窃取算法，可以在多核CPU处理器上加速并行处理，他并非多线程开发替代品。
　　那么他们之间有什么区别呢？
　　ForkJoin框架是从jdk7中新特性，它同ThreadPoolExecutor一样，也实现了Executor和ExecutorService接口。它使用了一个无限队列来保存需要执行的任务，而线程的数量则是通过构造函数传入，如果没有向构造函数中传入希望的线程数量，那么当前计算机可用的CPU数量会被设置为线程数量作为默认值。
　　ForkJoinPool主要用来使用分治法（DivideandConquerAlgorithm）来解决问题。典型的应用比如快速排序算法。这里的要点在于，ForkJoinPool需要使用相对少的线程来处理大量的任务。比如要对1000万个数据进行排序，那么会将这个任务分割成两个500万的排序任务和一个针对这两组500万数据的合并任务。以此类推，对于500万的数据也会做出同样的分割处理，到最后会设置一个阈值来规定当数据规模到多少时，停止这样的分割处理。比如，当元素的数量小于10时，会停止分割，转而使用插入排序对它们进行排序。那么到最后，所有的任务加起来会有大概2000000个。问题的关键在于，对于一个任务而言，只有当它所有的子任务完成之后，它才能够被执行。
　　所以当使用ThreadPoolExecutor时，使用分治法会存在问题，因为ThreadPoolExecutor中的线程无法像任务队列中再添加一个任务并且在等待该任务完成之后再继续执行。而使用ForkJoinPool时，就能够让其中的线程创建新的任务，并挂起当前的任务，此时线程就能够从队列中选择子任务执行。
　　那么使用ThreadPoolExecutor或者ForkJoinPool，会有什么差异呢？
　　首先，使用ForkJoinPool能够使用数量有限的线程来完成非常多的具有父子关系的任务，比如使用4个线程来完成超过200万个任务。但是，使用ThreadPoolExecutor时，是不可能完成的，因为ThreadPoolExecutor中的Thread无法选择优先执行子任务，需要完成200万个具有父子关系的任务时，也需要200万个线程，显然这是不可行的。
　　在实践中，ThreadPoolExecutor通常用于同时（并行）处理许多独立请求（又称为事务），ForkJoin通常用于加速一项连贯的工作任务。parallelStream并行化
　　parallelStream其实就是一个并行执行的流。它通过默认的ForkJoinPool，可以提高你的多线程任务的速度。parallelStream具有并行处理能力，处理的过程会分而治之，也就是将一个大任务切分成多个小任务，这表示每个任务都是一个操作，可以并行处理。parallelStream的使用
　　使用方式：创建时返回并行流：如Collection。parallelStream（）过程中转换为并行流：如Stream。parallel（）如果需要，转换为顺序流：Stream。sequential（）并行流时，并非按照1，2，3。。。500的顺序输出IntStream。range（1，500）。parallel（）。forEach（System。out：：println）；parallelStream的陷阱
　　由于parallelStream使用的是ForkJoinPool中的commonPool，该方法默认创建程序运行时所在计算机处理器内核数量的线程，当同时存在多个工作并行执行时，ForkJoinPool中的线程将被消耗完，而当有的worker因为执行耗时操作，将导致其他工作也被阻塞，而此时我们也不清楚哪个任务导致了阻塞。这就是parallelStream的陷阱。
　　parallelStream是无法预测的，而且想要正确地使用它有些棘手。几乎任何parallelStream的使用都会影响程序中其他部分的性能，而且是一种无法预测的方式。但是在调用stream。parallel（）或者parallelStream（）时候在我的代码里之前我仍然会重新审视一遍他给我的程序究竟会带来什么问题，他能有多大的提升，是否有使用他的意义。
　　那么到底是使用stream还是parallelStream呢？通过下面3个标准来鉴定
　　1。是否需要并行？
　　在回答这个问题之前，你需要弄清楚你要解决的问题是什么，数据量有多大，计算的特点是什么？并不是所有的问题都适合使用并发程序来求解，比如当数据量不大时，顺序执行往往比并行执行更快。毕竟，准备线程池和其它相关资源也是需要时间的。但是，当任务涉及到IO操作并且任务之间不互相依赖时，那么并行化就是一个不错的选择。通常而言，将这类程序并行化之后，执行速度会提升好几个等级。
　　2。任务之间是否是独立的？是否会引起任何竞态条件？
　　如果任务之间是独立的，并且代码中不涉及到对同一个对象的某个状态或者某个变量的更新操作，那么就表明代码是可以被并行化的。
　　3。结果是否取决于任务的调用顺序？
　　由于在并行环境中任务的执行顺序是不确定的，因此对于依赖于顺序的任务而言，并行化也许不能给出正确的结果。创建流的其他方式
　　我们在第1篇中记录了几种创建流的方式，但还是遗漏了一部分，再此稍作补充。从IO通道
　　方式1：从缓存流中读取为Stream，详见如下代码：finalStringname明玉；从网络上读取文字内容newBufferedReader（newInputStreamReader（newURL（https：www。txtxzz。comtxtdownloadNWJhZjI3YjIzYWQ3N2UwMTZiNDQwYWE3）newURL（https：api。apiopen。topgetAllUrl）。openStream（）））。lines（）。filter（strStrUtil。contains（str，name））。forEach（System。out：：println）；
　　方式2：从文件系统获取下级路径及文件，详见如下代码：获取文件系统的下级路径及其文件Files。walk（FileSystems。getDefault（）。getPath（D：soft））。forEach（System。out：：println）；
　　方式3：从文件系统获取文件内容，详见如下代码：Files。lines（FileSystems。getDefault（）。getPath（D：，a。txt））。parallel（）。limit（200）。forEach（System。out：：println）；
　　方式4：读取JarFile内的文件，详见如下代码：newJarFile（D：J2EEToolsrepositoryorgspringframeworkspringcore5。2。6。RELEASEspringcore5。2。6。RELEASE。jar）。stream（）。filter（entryStrUtil。contains（entry。getName（），Method））。forEach（System。out：：println）；获取随机数字流
　　使用类Random的ints、longs、doubles的方法，根据传递不同的参数，可以产生无限数字流、有限数字流、以及指定范围的有限或无限数字流，示例如下：doublevnewRandom（）。doubles（30，2，45）。peek（System。out：：println）。max（）。getAsDouble（）；log。info（一串随机数的最大值为：｛｝，v）；位向量流
　　将BitSet中位向量为真的转换为Stream，示例如下：BitSetbitSetnewBitSet（8）；bitSet。set（1）；bitSet。set（6）；log。info（cardinality值｛｝，bitSet。cardinality（））；bitSet。stream（）。forEach（System。out：：println）；正则分割流
　　将字符串按照正则表达式分隔成子串流，示例如下：Pattern。compile（：）。splitAsStream（boo：and：foo）。map（String：：toUpperCase）。forEach（System。out：：println）；Stream的其他方法转为无序流
　　使用unordered（）方法可将Stream随时转为无序流。转换为Spliterator
　　使用spliterator（）方法可将Stream转为Spliterator，Spliterator介绍请看https：juejin。impost5cf2622de51d4550bf1ae7ff。综合示例
　　根据1962年第1届百花奖至2018年第34届百花奖数据，有以下数据，编写代码按照获得最佳男主角的演员次数排名，次数相同的按照参演年份正序排，并打印他所参演的电影。
　　根据题目要求，创建HundredFlowersAwards实体用来存储上述数据，我们分析题目要求最终需要转换为以演员为主的信息，然后再根据演员的获奖次数及出演年份做排序。所以创建ActorInfo实体，包含演员姓名和出演电影的信息。出演电影也需创建实体FilmInfo，包含出演年份和电影名称。
　　有了如上存储数据实体信息后，代码实现逻辑如下：将百花奖的集合数据转换为Stream将该数据流转换为Map类型，Map的key为演员名，Map的Value为演员信息对于重复出现的演员，我们需要把电影信息追加到该演员出现的电影列表中对于处理完的Map数据，将该Map的values数据再次转换为Stream将该Stream排序即可。list。stream（）。collect（Collectors。toMap（HundredFlowersAwards：：getActorName，ActorInfo：：new，ActorInfo：：addFilmInfos））。values（）。stream（）。sorted（newActorComparator（））。forEach（System。out：：println）；
　　本节代码见StreamOtherTest。
　　经过几天的学习和总结，以上就是JavaStreamApi的全部内容了。从开始认识StreamApi，我们逐渐了解了使用StreamApi的流程：创建Stream、中间操作、终端操作。我们对创建Stream、中间操作、终端操作的各个api方法进行了介绍及案例演示，之后我们还单独抽出一节讲解了Collector接口的实现及使用。上述内容虽然文字不多，大部分都在代码中给出了演示，希望大家能下载下来代码并运行，以加深印象。
　　以上是前传部分的学习内容了，接下来我们将进入到Reactor部分的学习。
　　源码下载：https：gitee。comliuchuang。comspringwebfluxstudynote