Java8 Stream原理深度解析
Author:Dorae
Date:2017年11月2日19:10:39
轉載請註明出處html
上一篇文章中簡要介紹了Java8的函數式編程，而在Java8中另一個比較大且很是重要的改動就是Stream。在這篇文章中，將會對流的實現原理進行深度，解析，具體關於如何使用，請參考《Java8函數式編程》。java
經常使用的流操做
在深刻原理以前，咱們有必要知道關於Stream的一些基礎知識，關於Stream的操做分類，如表1-1所示。編程
表1-1 Stream的經常使用操做分類(表格引自這裏)數組
如表1-1中所示，Stream中的操做能夠分爲兩大類：中間操做與結束操做，中間操做只是對操做進行了記錄，只有結束操做纔會觸發實際的計算（即惰性求值），這也是Stream在迭代大集合時高效的緣由之一。中間操做又能夠分爲無狀態（Stateless）操做與有狀態（Stateful）操做，前者是指元素的處理不受以前元素的影響；後者是指該操做只有拿到全部元素以後才能繼續下去。結束操做又能夠分爲短路與非短路操做，這個應該很好理解，前者是指遇到某些符合條件的元素就能夠獲得最終結果；然後者是指必須處理全部元素才能獲得最終結果。markdown
原理探祕
在探究Stream的執行原理以前，咱們先看以下兩段代碼（本文將以code_1爲例進行說明）：數據結構
code_1app
public static void main(String[] args) { List<String> list = Lists.newArrayList( "bcd", "cde", "def", "abc"); List<String> result = list.stream() //.parallel() .filter(e -> e.length() >= 3) .map(e -> e.charAt(0)) //.peek(System.out :: println) //.sorted() //.peek(e -> System.out.println("++++" + e)) .map(e -> String.valueOf(e)) .collect(Collectors.toList()); System.out.println("----------------------------"); System.out.println(result); }
code_2框架
public void targetMethod() { List<String> list = Lists.newArrayList( "bcd", "cde", "def", "abc"); List<String> result = Lists.newArrayListWithCapacity(list.size()); for (String str : list) { if (str.length() >= 3) { char e = str.charAt(0); String tempStr = String.valueOf(e); result.add(tempStr); } } System.out.println("----------------------------"); System.out.println(result); }
很明顯，在最終結果上而言，code_1與code_2是等價的。那麼，Stream是怎麼作的呢？顯然不是每次操做都進行迭代，由於這對於執行時間與存儲中間變量來講都將是噩夢。less
要解決的問題
顯然，若是code_2只對集合迭代了一次，也就是說至關高效。那麼這麼作有沒有弊端？有！模板代碼、中間變量、不利於並行都是其存在的問題。可是按着code_2的思路能夠知道有如下幾個問題須要解決：ide
- 如何記錄每次操做？
- 操做如何疊加？
- 疊加後的操做如何執行？
- 最後的結果如何存儲？
包結構分析
那麼Stream是如何解決的呢？所謂源碼之下，無所遁形。那麼，首先來看一下Stream包的結構（如圖1-1所示）。
圖1-1 Stream包的結構示意圖
其中各個部分的主要功能爲：
- 主要是各類操做的工廠類、數據的存儲結構以及收集器的工廠類等；
- 主要用於Stream的惰性求值實現；
- Stream的並行計算框架；
- 存儲並行流的中間結果；
- 終結操做的定義；
咱們單獨把第二部分拎出來用於說明Stream的惰性求值實現，如圖1-2所示，Java8針對Int、long、double進行了優化，主要用於頻繁的拆裝箱。咱們以引用類型進行介紹，在圖中已經標爲綠色。
- BaseStream規定了流的基本接口，好比iterator、spliterator、isParallel等；
- Stream中定義了map、filter、flatmap等用戶關注的經常使用操做；
- PipelineHelper主要用於Stream執行過程當中相關結構的構建；
- Head、StatelessOp、StatefulOp爲ReferencePipeline中的內部類。
圖1-2
操做如何記錄
關於操做如何記錄，在JDK源碼註釋中屢次用（操做）stage來標識用戶的每一次操做，而一般狀況下Stream的操做又須要一個回調函數，因此一個完整的操做是由數據來源、操做、回調函數組成的三元組來表示。而在具體實現中，使用實例化的ReferencePipeline來表示，即圖1-2中的Head、StatelessOp、StatefulOp的實例。
如code_三、code_4所示爲調用stream.map()的關鍵的兩個方法，在用戶
調用一系列操做後會造成如圖1-3所示的雙鏈表結構。
圖1-3
code_3(ReferencePipeline.map())
@Override @SuppressWarnings("unchecked") public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) { Objects.requireNonNull(mapper); return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE, StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) { @Override Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) { return new Sink.ChainedReference<P_OUT, R>(sink) { @Override public void accept(P_OUT u) { downstream.accept(mapper.apply(u)); } }; } }; }
code_4(AbstractPipeline.AbstractPipeline())
AbstractPipeline(AbstractPipeline<?, E_IN, ?> previousStage, int opFlags) { if (previousStage.linkedOrConsumed) throw new IllegalStateException(MSG_STREAM_LINKED); previousStage.linkedOrConsumed = true; previousStage.nextStage = this; this.previousStage = previousStage; this.sourceOrOpFlags = opFlags & StreamOpFlag.OP_MASK; this.combinedFlags = StreamOpFlag.combineOpFlags(opFlags, previousStage.combinedFlags); this.sourceStage = previousStage.sourceStage; if (opIsStateful()) sourceStage.sourceAnyStateful = true; this.depth = previousStage.depth + 1; }
如何疊加
在上一步已經在stage中記錄了每一步操做，此時並無執行。可是stage只是保存了當前的操做，並不能肯定下一個stage須要何種操做，何種數據，其實JDK爲此定義了Sink接口，其中只有begin()、end()、cancellationRequested()、accept()四個接口（如表1-2所示，摘自這裏），其中中間操做的子類中包含一個指向下游sink的指針。
表1-2
如今轉向code_3，能夠看出，在satge鏈中，每一步都包含了opWrapSink()。當調用終結操做時，將會觸發code_5從最後一個stage（終結操做產生的satge）開始，遞歸產生圖1-4所示的結構。
code_5(AbstractPipeline.wrapSink())
@Override @SuppressWarnings("unchecked") final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) { Objects.requireNonNull(sink); for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) { sink = p.opWrapSink(p.previousStage.combinedFlags, sink); } return (Sink<P_IN>) sink; }
圖1-4
如何執行
全部的操做已經造成了圖1-4的結構，接下來就會觸發code_6，此時結果就會產生對應的結果啦！
code_6(AbstractPipelie.copyInto())
@Override final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) { Objects.requireNonNull(wrappedSink); if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) { wrappedSink.begin(spliterator.getExactSizeIfKnown()); spliterator.forEachRemaining(wrappedSink); wrappedSink.end(); } else { copyIntoWithCancel(wrappedSink, spliterator); } }
並行原理
那麼，Stream是如何並行執行的呢？其實產生stage鏈的過程和串行並無區別，只是在最終執行時進行了相應的調整，咱們將code_1改變爲code_7
code_7
public static void main(String[] args) { List<String> list = Lists.newArrayList( "bcd", "cde", "def", "abc"); List<String> result = list.stream() .parallel() .filter(e -> e.length() >= 3) //.map(e -> e.charAt(0)) //.peek(System.out :: println) .sorted() //.peek(e -> System.out.println("++++" + e)) .map(e -> String.valueOf(e)) .collect(Collectors.toList()); System.out.println("----------------------------"); System.out.println(result); }
那麼最終產生的stage鏈與sink的結構如圖1-5所示，由於此時stage鏈中有一個有狀態操做（sorted()），也就是說在這裏必須處理完全部元素才能進行下一步操做。那麼此時不管是並行仍是串行，此時都會產生兩個sink鏈，也就是表明了兩次迭代，才產生了最終結果。
圖1-5
那麼，到底是如何並行的呢？其實當調用collect操做時會調用code_8，其中的evaluateParallel()如code_9所示。
code_8(AbstractPipeline.evaluate())
final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp) { assert getOutputShape() == terminalOp.inputShape(); if (linkedOrConsumed) throw new IllegalStateException(MSG_STREAM_LINKED); linkedOrConsumed = true; return isParallel() ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags())) : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags())); }
code_9(ReduceOp.evaluateParallel())
@Override
public <P_IN> R evaluateParallel(PipelineHelper<T> helper, Spliterator<P_IN> spliterator) { return new ReduceTask<>(this, helper, spliterator).invoke().get(); }
其實Stream的並行處理是基於ForkJoin框架的，相關類與接口的結構如圖1-6所示。其中AbstractShortCircuitTask用於處理短路操做，其餘相關操做相似，會產生對應的Task。
圖1-6
關於code_8中獲取源Spliterator，如code_10所示，
code_10(AbstractPipeline.sourceSpliterator())
@SuppressWarnings("unchecked") private Spliterator<?> sourceSpliterator(int terminalFlags) { Spliterator<?> spliterator = null; if (sourceStage.sourceSpliterator != null) { spliterator = sourceStage.sourceSpliterator; sourceStage.sourceSpliterator = null; } else if (sourceStage.sourceSupplier != null) { spliterator = (Spliterator<?>) sourceStage.sourceSupplier.get(); sourceStage.sourceSupplier = null; } else { throw new IllegalStateException(MSG_CONSUMED); } if (isParallel() && sourceStage.sourceAnyStateful) { //若是是並行流而且有stage包含stateful操做 //那麼就會依次遍歷stage，直到遇到stateful stage時 int depth = 1; for (@SuppressWarnings("rawtypes") AbstractPipeline u = sourceStage, p = sourceStage.nextStage, e = this; u != e; u = p, p = p.nextStage) { int thisOpFlags = p.sourceOrOpFlags; if (p.opIsStateful()) { depth = 0; if (StreamOpFlag.SHORT_CIRCUIT.isKnown(thisOpFlags)) { //若是有短路操做，則去除相應標記 thisOpFlags = thisOpFlags & ~StreamOpFlag.IS_SHORT_CIRCUIT; } //儘可能以惰性求值的方式進行操做 spliterator = p.opEvaluateParallelLazy(u, spliterator); thisOpFlags = spliterator.hasCharacteristics(Spliterator.SIZED) ? (thisOpFlags & ~StreamOpFlag.NOT_SIZED) | StreamOpFlag.IS_SIZED : (thisOpFlags & ~StreamOpFlag.IS_SIZED) | StreamOpFlag.NOT_SIZED; } p.depth = depth++; p.combinedFlags = StreamOpFlag.combineOpFlags(thisOpFlags, u.combinedFlags); } } if (terminalFlags != 0) { // Apply flags from the terminal operation to last pipeline stage combinedFlags = StreamOpFlag.combineOpFlags(terminalFlags, combinedFlags); } return spliterator; }
如何並行執行
關於各個task就行是如何並行執行，其實最終調用的是code_11所示，對應的流程如圖1-7所示，其中交替fork子節點是爲了緩和數據分片不均形成的性能退化。
code_11(AbstractTask.compute())
@Override public void compute() { Spliterator<P_IN> rs = spliterator, ls; // right, left spliterators long sizeEstimate = rs.estimateSize(); long sizeThreshold = getTargetSize(sizeEstimate); boolean forkRight = false; @SuppressWarnings("unchecked") K task = (K) this; while (sizeEstimate > sizeThreshold && (ls = rs.trySplit()) != null) { K leftChild, rightChild, taskToFork; task.leftChild = leftChild = task.makeChild(ls); task.rightChild = rightChild = task.makeChild(rs); task.setPendingCount(1); if (forkRight) { forkRight = false; rs = ls; task = leftChild; taskToFork = rightChild; } else { forkRight = true; task = rightChild; taskToFork = leftChild; } taskToFork.fork(); sizeEstimate = rs.estimateSize(); } task.setLocalResult(task.doLeaf()); task.tryComplete(); }
圖1-7
影響並行流的因素
數據大小；源數據結構（分割越容易越好），arraylist、數組比較好，hashSet、treeSet次之，linked最差；裝箱；核的數量（可以使用）；單元處理開銷（越大越好）
建議：
終結操做之外的操做，儘可能避免反作用，避免突變基於堆棧的引用，或者在執行過程當中進行任何I/O；傳遞給流操做的數據源應該是互不干擾（避免修改數據源）。
小結
本文主要探究了Stream的實現原理，並無涉及到具體的流操做的用法（讀者能夠參考《java8函數式編程》），而且給出了使用Stream的部分建議。