优化 Stream并行流性能 parallelStream

收心

发布于 2025-12-24 17:46:55

240

优化并行流性能可以从以下几个方面入手：

数据量足够大并行流适合处理大数据量的场景，小数据量使用并行流可能会因为线程切换开销导致性能下降。

数据源选择

使用 ArrayList 或数组作为数据源，因其支持高效的分片操作。避免使用 LinkedList 或 Stream.iterate，它们的分片性能较差。合理设置线程池默认情况下，并行流使用 ForkJoinPool.commonPool，线程数为 CPU核心数。可以通过设置 java.util.concurrent.ForkJoinPool.common.parallelism 系统属性调整线程数：

System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "8");

减少共享资源竞争避免在并行流中修改共享变量，尽量使用线程安全的数据结构或无状态操作。

避免阻塞操作并行流中的操作应尽量避免 I/O 或锁竞争等阻塞操作。

使用 Collectors.toConcurrentMap 在并行流中收集结果时，使用线程安全的收集器，如 Collectors.toConcurrentMap 或 ConcurrentHashMap。

性能监控与调试使用 System.nanoTime() 或性能分析工具监控并行流的执行时间，判断是否需要优化。

import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.ForkJoinPool;
import java.util.stream.IntStream;

public class ParallelStreamOptimization {
    public static void main(String[] args) {
        // 设置并行线程数
        System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "8");

        // 数据源：ArrayList
        List<Integer> numbers = new ArrayList<>();
        IntStream.range(0, 1_000_000).forEach(numbers::add);

        // 并行流处理
        long start = System.nanoTime();
        long sum = numbers.parallelStream()
                .mapToLong(i -> i * 2L)
                .sum();
        long end = System.nanoTime();

        System.out.println("结果: " + sum);
        System.out.println("耗时: " + (end - start) / 1_000_000 + " ms");
    }
}

特殊说明： 上述文章均是作者实际操作后产出。烦请各位，请勿直接盗用！转载记得标注原文链接：www.zanglikun.com 第三方平台不会及时更新本文最新内容。如果发现本文资料不全，可访问本人的Java博客搜索：标题关键字。以获取最新全部资料 ❤ 免责声明： 本站文章旨在总结学习互联网技术过程中的经验与见解。任何人不得将其用于违法或违规活动！所有违规内容均由个人自行承担，与作者无关。

本文参与腾讯云自媒体同步曝光计划，分享自作者个人站点/博客。

原始发表：2025-08-11，如有侵权请联系 cloudcommunity@tencent.com 删除

线程安全