JDK8 Stream性能測試，看看到底有多快

送你們如下學習資料，文末有領取方式

JDK8 Stream 數據流效率分析

Stream 是Java SE 8類庫中新增的關鍵抽象，它被定義於 java.util.stream （這個包裏有若干流類型：Stream<T> 表明對象引用流。

此外還有一系列特化流，如 IntStream，LongStream，DoubleStream等 ），Java 8 引入的的Stream主要用於取代部分Collection的操做，每一個流表明一個值序列，流提供一系列經常使用的彙集操做，能夠便捷的在它上面進行各類運算。

集合類庫也提供了便捷的方式使咱們能夠以操做流的方式使用集合、數組以及其它數據結構；

stream 的操做種類

①中間操做

• 當數據源中的數據上了流水線後，這個過程對數據進行的全部操做都稱爲「中間操做」；
• 中間操做仍然會返回一個流對象，所以多箇中間操做能夠串連起來造成一個流水線；
• stream 提供了多種類型的中間操做，如 filter、distinct、map、sorted 等等；

②終端操做

• 當全部的中間操做完成後，若要將數據從流水線上拿下來，則須要執行終端操做；
• stream 對於終端操做，能夠直接提供一箇中間操做的結果，或者將結果轉換爲特定的 collection、array、String 等；

stream 的特色

①只能遍歷一次：

數據流的從一頭獲取數據源，在流水線上依次對元素進行操做，當元素經過流水線，便沒法再對其進行操做，能夠從新在數據源獲取一個新的數據流進行操做；

②採用內部迭代的方式：

對Collection進行處理，通常會使用 Iterator 遍歷器的遍歷方式，這是一種外部迭代；

而對於處理Stream，只要申明處理方式，處理過程由流對象自行完成，這是一種內部迭代，對於大量數據的迭代處理中，內部迭代比外部迭代要更加高效；

stream 相對於 Collection 的優勢

• 無存儲：流並不存儲值；流的元素源自數據源（多是某個數據結構、生成函數或I/O通道等等），經過一系列計算步驟獲得；
• 函數式風格：對流的操做會產生一個結果，但流的數據源不會被修改；
• 惰性求值：多數流操做（包括過濾、映射、排序以及去重）均可以以惰性方式實現。這使得咱們能夠用一遍遍歷完成整個流水線操做，並能夠用短路操做提供更高效的實現；
• 無需上界：很多問題均可以被表達爲無限流（infinite stream）：用戶不停地讀取流直到滿意的結果出現爲止（好比說，枚舉 完美數 這個操做能夠被表達爲在全部整數上進行過濾）；集合是有限的，但流能夠表達爲無線流；
• 代碼簡練：對於一些collection的迭代處理操做，使用 stream 編寫能夠十分簡潔，若是使用傳統的 collection 迭代操做，代碼可能十分囉嗦，可讀性也會比較糟糕；

---

stream 和 iterator 迭代的效率比較

好了，上面 stream 的優勢吹了那麼多，stream 函數式的寫法是很舒服，那麼 steam 的效率到底怎樣呢？

先說結論：

- 傳統 iterator (for-loop) 比 stream(JDK8) 迭代性能要高，尤爲在小數據量的狀況下；

- 在多核情景下，對於大數據量的處理，parallel stream 能夠有比 iterator 更高的迭代處理效率；

我分別對一個隨機數列 List （數量從 10 到 10000000）進行映射、過濾、排序、規約統計、字符串轉化場景下，對使用 stream 和 iterator 實現的運行效率進行了統計，。

測試環境以下：

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

1. 映射處理測試

把一個隨機數列（List<Integer>）中的每個元素自增1後，從新組裝爲一個新的 List<Integer>，測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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));`

2. 過濾處理測試

取出一個隨機數列（List<Integer>）中的大於 200 的元素，並組裝爲一個新的 List<Integer>，測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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));`

3. 天然排序測試

對一個隨機數列（List<Integer>）進行天然排序，並組裝爲一個新的 List<Integer>，iterator 使用的是 Collections # sort API（使用歸併排序算法實現），測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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));`

4. 歸約統計測試

獲取一個隨機數列（List<Integer>）的最大值，測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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();`

5. 字符串拼接測試

獲取一個隨機數列（List<Integer>）各個元素使用「,」分隔的字符串，測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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(","));`

6. 混合操做測試

對一個隨機數列（List<Integer>）進行去空值，除重，映射，過濾，並組裝爲一個新的 List<Integer>，測試的隨機數列容量從 10 - 10000000，跑10次取平均時間；

`//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));`

實驗結果總結

從以上的實驗來看，能夠總結處如下幾點：

• 在少低數據量的處理場景中（size<=1000），stream 的處理效率是不如傳統的 iterator 外部迭代器處理速度快的，可是實際上這些處理任務自己運行時間都低於毫秒，這點效率的差距對普通業務幾乎沒有影響，反而 stream 可使得代碼更加簡潔；
• 在大數據量（szie>10000）時，stream 的處理效率會高於 iterator，特別是使用了並行流，在cpu剛好將線程分配到多個核心的條件下（固然parallel stream 底層使用的是 JVM 的 ForkJoinPool，這東西分配線程自己就很玄學），能夠達到一個很高的運行效率，然而實際普通業務通常不會有須要迭代高於10000次的計算；
• Parallel Stream 受引 CPU 環境影響很大，當沒分配到多個cpu核心時，加上引用 forkJoinPool 的開銷，運行效率可能還不如普通的 Stream；

使用 Stream 的建議

• 簡單的迭代邏輯，能夠直接使用 iterator，對於有多步處理的迭代邏輯，可使用 stream，損失一點幾乎沒有的效率，換來代碼的高可讀性是值得的；
• 單核 cpu 環境，不推薦使用 parallel stream，在多核 cpu 且有大數據量的條件下，推薦使用 paralle stream；
• stream 中含有裝箱類型，在進行中間操做以前，最好轉成對應的數值流，減小因爲頻繁的拆箱、裝箱形成的性能損失；

源於：blog.csdn.net/Al\_assad/article/details/82356606