我是靠谱客的博主 落后盼望,最近开发中收集的这篇文章主要介绍rocketmq教程教程,JDK8 Stream 数据流效率分析最后,觉得挺不错的,现在分享给大家,希望可以做个参考。

概述

①只能遍历一次:

数据流的从一头获取数据源,在流水线上依次对元素进行操作,当元素通过流水线,便无法再对其进行操作,可以重新在数据源获取一个新的数据流进行操作;

②采用内部迭代的方式:

对Collection进行处理,一般会使用 Iterator 遍历器的遍历方式,这是一种外部迭代;

而对于处理Stream,只要申明处理方式,处理过程由流对象自行完成,这是一种内部迭代,对于大量数据的迭代处理中,内部迭代比外部迭代要更加高效;

stream 相对于 Collection 的优点


  • 无存储:流并不存储值;流的元素源自数据源(可能是某个数据结构、生成函数或I/O通道等等),通过一系列计算步骤得到;

  • 函数式风格:对流的操作会产生一个结果,但流的数据源不会被修改;

  • 惰性求值:多数流操作(包括过滤、映射、排序以及去重)都可以以惰性方式实现。这使得我们可以用一遍遍历完成整个流水线操作,并可以用短路操作提供更高效的实现;

  • 无需上界:不少问题都可以被表达为无限流(infinite stream):用户不停地读取流直到满意的结果出现为止(比如说,枚举 完美数 这个操作可以被表达为在所有整数上进行过滤);集合是有限的,但流可以表达为无线流;

  • 代码简练:对于一些collection的迭代处理操作,使用 stream 编写可以十分简洁,如果使用传统的 collection 迭代操作,代码可能十分啰嗦,可读性也会比较糟糕;

stream 和 iterator 迭代的效率比较


好了,上面 stream 的优点吹了那么多,stream 函数式的写法是很舒服,那么 steam 的效率到底怎样呢?

先说结论:

  • 传统 iterator (for-loop) 比 stream(JDK8) 迭代性能要高,尤其在小数据量的情况下;

  • 在多核情景下,对于大数据量的处理,parallel stream 可以有比 iterator 更高的迭代处理效率;

我分别对一个随机数列 List (数量从 10 到 10000000)进行映射、过滤、排序、规约统计、字符串转化场景下,对使用 stream 和 iterator 实现的运行效率进行了统计。

测试环境如下:

_System:Ubuntu 16.04 xenial

CPU:Intel Core i7-8550U

RAM:16GB

JDK version:1.8.0_151

JVM:HotSpot™ 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.映射处理测试

把一个随机数列(List)中的每一个元素自增1后,重新组装为一个新的 List,测试的随机数列容量从 10 - 10000000,跑10次取平均时间;


`//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. 过滤处理测试

取出一个随机数列(List)中的大于 200 的元素,并组装为一个新的 List,测试的随机数列容量从 10 - 10000000,跑10次取平均时间;


`//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));` 

在这里插入图片描述

3. 自然排序测试

对一个随机数列(List)进行自然排序,并组装为一个新的 List,iterator 使用的是 Collections # sort API(使用归并排序算法实现),测试的随机数列容量从 10 - 10000000,跑10次取平均时间;


`//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));` 

在这里插入图片描述

4. 归约统计测试

获取一个随机数列(List)的最大值,测试的随机数列容量从 10 - 10000000,跑10次取平均时间;


`//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();` 

最后

2020年在匆匆忙忙慌慌乱乱中就这么度过了,我们迎来了新一年,互联网的发展如此之快,技术日新月异,更新迭代成为了这个时代的代名词,坚持下来的技术体系会越来越健壮,JVM作为如今是跳槽大厂必备的技能,如果你还没掌握,更别提之后更新的新技术了。

更多JVM面试整理:

oInt(x -> x)`

.max()

.getAsInt();




# 最后

2020年在匆匆忙忙慌慌乱乱中就这么度过了,我们迎来了新一年,互联网的发展如此之快,技术日新月异,更新迭代成为了这个时代的代名词,坚持下来的技术体系会越来越健壮,JVM作为如今是跳槽大厂必备的技能,如果你还没掌握,更别提之后更新的新技术了。

[外链图片转存中...(img-rkli1LWG-1628225395373)]

**更多JVM面试整理:**

[外链图片转存中...(img-G5AviTfp-1628225395375)]



**[点击这里免费下载“百万级”「JVM笔记」](https://gitee.com/vip204888/java-p7)**

最后

以上就是落后盼望为你收集整理的rocketmq教程教程,JDK8 Stream 数据流效率分析最后的全部内容,希望文章能够帮你解决rocketmq教程教程,JDK8 Stream 数据流效率分析最后所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(49)

评论列表共有 0 条评论

立即
投稿
返回
顶部