parallelStream 一定更快吗？
大家都知道 Stream 分为顺序流和并行流：
- stream（顺序流）
- parallelStream（并行流）
它们最大的区别就是 parallelStream 支持并行化处理，所以效率较 stream（顺序流）肯定是要更快的。这篇不会介绍 Stream 基础，Stream 系列我之前写过一个专题了，不懂的关注公众号Java技术栈，然后在公众号 Java 教程菜单中阅读。
然而你确定 parallelStream 一定要更快吗？
栈长写了一段排序的示例，分别用 stream 和 parallelStream，对 100 ~ 10000000 条数据的集合进行排序，来看下执行效率究竟如何！
顺序流排序：
/**
* 顺序流排序
* @author: 栈长
* @from: 公众号Java技术栈
*/
private static void streamSort() {
long start = System.currentTimeMillis();
List<SortTest.User> list = new ArrayList<>(LIST);
list.stream().sorted(SortTest.User::compareAge).collect(Collectors.toList());
System.out.println("\nList size: " + list.size() + " Stream.sorted: " + (System.currentTimeMillis() - start));
}
并行流排序：
/**
* 并行流排序
* @author: 栈长
* @from: 公众号Java技术栈
*/
private static void parallelStreamSort() {
long start = System.currentTimeMillis();
List<SortTest.User> list = new ArrayList<>(LIST);
list.parallelStream().sorted(SortTest.User::compareAge).collect(Collectors.toList());
System.out.println("List size: " + list.size() + " ParallelStream.sorted: " + (System.currentTimeMillis() - start));
}
本文所有完整示例源代码已经上传：
执行结果如下：
List size: 10000000 Stream.sorted: 202
List size: 10000000 ParallelStream.sorted: 402List size: 1000000 Stream.sorted: 53
List size: 1000000 ParallelStream.sorted: 15List size: 100000 Stream.sorted: 1
List size: 100000 ParallelStream.sorted: 2List size: 10000 Stream.sorted: 0
List size: 10000 ParallelStream.sorted: 1List size: 1000 Stream.sorted: 0
List size: 1000 ParallelStream.sorted: 1List size: 100 Stream.sorted: 0
List size: 100 ParallelStream.sorted: 0
在 100000 以下是没什么区别的；
在 1000000 左右 ParallelStream 虽然领先 Stream，但也不是绝对每次都领先，经过不断测试，这个数据量区间的测试两者会互相领先；
在 10000000 左右就很稳定了，ParallelStream 几乎比 Stream 慢了 2 倍！
现在你可能会有疑问了，为什么会这样？
栈长起初也有疑问，并行流（ParallelStream）怎么会比顺序流（Stream）还要慢。。
其实我后面想想也就明白了，并行流（ParallelStream）的背后其实是 Java7 开始支持的 Fork/Join，即把一个大任务拆分成 N 个小任务，然后最终合并各个子任务的结果，所以对于子任务线程的拆分、创建、结果合并等操作都需要不少的开销，特别是线程的创建。
所以这种不耗时的简单排序操作事实上是不适用于并行流（ParallelStream）的，它所带来的线程创建的损耗可能还会比顺序流（Stream）还要更慢。
最新 Java 8+ 面试题也都整理好了，点击Java面试库小程序在线刷题。
什么时候用 ParallelStream？
既然使用 Fork/Join 是会有损耗的，那对于单条数据的处理的时间最好是理论上要超过用并行流（ParallelStream）本身的损耗，这种情况下就比较合适。
也就是说，如果对于流中的每条数据的处理比较费时间，并且没有顺序要求，这种场景下用并行流（ParallelStream）会更快，更合适。
来看下面这个示例：
顺序流数据处理：
/**
* 顺序流数据处理
* @author: 栈长
* @from: 公众号Java技术栈
*/
private static void streamProcess() {
long start = System.currentTimeMillis();
List<SortTest.User> list = new ArrayList<>(LIST);
list.stream().map(StreamSpeedTest::process).collect(Collectors.toList());
System.out.println("\nList size: " + list.size() + " Stream process: " + (System.currentTimeMillis() - start));
}
并行流数据处理：
/**
* 并行流数据处理
* @author: 栈长
* @from: 公众号Java技术栈
*/
private static void parallelStreamProcess() {
long start = System.currentTimeMillis();
List<SortTest.User> list = new ArrayList<>(LIST);
list.parallelStream().map(StreamSpeedTest::process).collect(Collectors.toList());
System.out.println("List size: " + list.size() + " ParallelStream process: " + (System.currentTimeMillis() - start));
}
数据处理：
/**
* 数据处理
* @author: 栈长
* @from: 公众号Java技术栈
*/
private static SortTest.User process(SortTest.User user) {
try {
user.setName(user.getName() + ": process");
Thread.sleep(5);
} catch (InterruptedException e) {
e.printStackTrace();
}
return user;
}
注意： 这里加了个休眠 5 毫秒，为了体现真实的处理数据耗时。
本文所有完整示例源代码已经上传：
并行流排序：
List size: 1000 Stream process: 5750
List size: 1000 ParallelStream process: 745List size: 100 Stream process: 566
List size: 100 ParallelStream process: 77
结果很明显了，不管测试多少次，并行流（ParallelStream）的处理速度都要比顺序流（Stream）要快几倍！！我这里只测试了 100 和 1000 条数据，因为 10000 条以上的数据用顺序流（Stream）可能要等非常久。
而且我程序中的处理逻辑只休眠了 5 毫秒，如果实际处理单条数据的耗时要比这个更长，那并行流（ParallelStream）的处理效率还会更明显。
总结
稍微总结下：
- stream：适用于避免线程安全问题、要求顺序执行、数据处理简单不耗时的任务；
- parallelStream：适用于不存在线程安全问题、不需要顺序性执行、数据处理比较耗时的任务；
所以，你学废了吗？赶紧发给身边的同事看看吧，别再乱用 parallelStream 了！用的不好，存在线程安全问题不说，效率上可能还会适得其反。
大家如果对 Java 8 新增的知识点（Lambda、Stream、函数式接口等）还不会用的可以关注公众号：Java技术栈，在 Java 教程菜单中阅读，Java 8+ 系列教程我都写了一堆了。
本文所有完整示例源代码已经上传：
欢迎 Star 学习，后面 Java 示例都会在这上面提供！
好了，今天的分享就到这里了，后面栈长会分享更多好玩的 Java 技术和最新的技术资讯，关注公众号Java技术栈第一时间推送，我也将主流 Java 面试题和参考答案都整理好了，在公众号后台回复关键字 "面试" 进行刷题。