写在前面

在本系列文章的第一篇，我们提到了函数式编程的优点之一是“易于并发编程”。

Java作为一个多线程的语言，它通过 Stream 来提供了并发编程的便利性。

题外话：

严格来说，并发和并行是两个不同的概念。

“并发（Concurrency）”强调的是在同一时间开始执行多个任务，通常会涉及多线程之间的上下文切换；

“并行（Parallelism）”强调的是将一个大任务分解为多个小任务后，再同时执行这些小任务，得到多个中间结果后再汇总为一个最终结果。

但在多CPU和分布式的时代，并发和并行的概念联系越来越紧密。至少在Java的Stream中，我们可以将并发和并行理解为同一个意思：基于多线程技术，对一个大任务分拆为多个小任务，分配到不同的线程中执行，得到多个中间结果后再汇总为一个最终结果。

本文的示例代码可从gitee上获取：https://gitee.com/cnmemset/javafp

Stream的并行编程

并行编程是Stream的一个重要功能和特性。它的一个优点是：不管数据源是否线程安全，通过并行流（parallel stream）都可以轻松的实现并行编程。

Stream的并行编程，底层是基于 ForkJoinPool 技术来实现的。ForkJoinPool是Java 7引入的用于并行执行的任务框架，核心思想是将一个大任务拆分成多个小任务（即fork），然后再将多个小任务的处理结果汇总到一个结果上（即join）。此外，它也提供基本的线程池功能，譬如设置最大并发线程数，关闭线程池等。

在本系列之前的文章中，也零零散散的提到了一些关于并行编程的知识点。本文再做一个更系统的总结。

并行流（parallel stream）

Stream的并行操作都是基于并行流（parallel stream）。

生成一个并行流也非常简单：

1. 通过 Collection.parallelStream 方法可以得到一个并行流

2. 生成一个串行的Stream后，可以通过方法 BaseStream.parallel() 将一个串行流（serial stream）转换成并行流。当然，我们也可以通过方法 BaseStream.sequential() 将一个并行流转换成串行流。

通过方法 BaseStream.isParallel() 可以判断一个 stream 是否是并行流。

不管数据源是否线程安全（譬如ArrayList、HashSet，它们都不支持多线程），我们都可以使用parallelStream 轻松实现并行编程，不需要额外的线程同步操作，这是parallelStream 最大的优点。

顺序性

encounter order，指的是Stream中元素的出现顺序。如果觉得encounter order过于抽象，可以将它简单理解为数据源（data source）的元素顺序。本小节涉及到的有序或无序都特指encounter order。

一个Stream是否具备encounter order的有序性，取决于它的数据源（data source）和中间操作（intermediate operations）。例如，List或者数组的Steam是有序的，但HashSet的Steam则是无序的。而中间操作Stream.sorted，可以将一个无序的Stream转换成有序的；中间操作Stream.unordered 则将一个有序的Stream转换成无序的。

有趣的是，有些终止操作（terminal operations）是无视encounter order的。什么意思呢？以最常见的Stream.forEach 为例，在并行执行的时候，即使数据源是List，forEach方法处理元素的顺序也是无序的。要保证处理顺序，需要使用方法 Stream.forEachOrdered 。

示例代码：

public static void forEachExample() {

    ArrayList<Integer> list = new ArrayList<>(Arrays.asList(1, 2, 3, 4, 5));

 

    System.out.println("===forEach====");

 

    // 在并行流中， forEach 方法是无视 Stream 的 encounter order 的

    list.parallelStream().forEach(i -> {

        System.out.println(i + "：thread-" + Thread.currentThread().getName());

    });

 

    System.out.println("===forEachOrdered====");

 

    // 在并行流中， forEachOrdered 方法可以保持 encounter order

    list.parallelStream().forEachOrdered(i -> {

        System.out.println(i + "：thread-" + Thread.currentThread().getName());

    });

}

上述代码的输出类似：

===forEach====

3：thread-main

5：thread-ForkJoinPool.commonPool-worker-2

1：thread-main

4：thread-ForkJoinPool.commonPool-worker-3

2：thread-ForkJoinPool.commonPool-worker-1

===forEachOrdered====

1：thread-ForkJoinPool.commonPool-worker-4

2：thread-ForkJoinPool.commonPool-worker-1

3：thread-ForkJoinPool.commonPool-worker-1

4：thread-ForkJoinPool.commonPool-worker-1

5：thread-ForkJoinPool.commonPool-worker-1

可以看出，在并行执行时，forEach 是无视Stream的encounter order的，而 forEachOrdered 虽然也是在多线程环境下执行，但仍然可以保证Stream的encounter order。

在Stream并行编程中，理解encounter order很重要。因为对于大多数的Stream操作，即使是并行执行，如果Stream是有序的，那么操作后得到的Stream也保持有序。例如，对一个数据源为List [1,2,3] 的有序Stream，执行 map(x -> x * x) 操作后，结果一定是 [1, 4, 9]。

对encounter order的有序性和无序性，示例代码如下：

public static void unorderedExample() {

    // 我们用 TreeMap 来做实验，因为 ArrayList 的特殊性，很难展示 unordered 的特性

 

    // TreeSet 中的元素是按从小到大排序的，即 [-7, -3, 1, 5, 12]

    TreeSet<Integer> set = new TreeSet<>(Arrays.asList(1, 12, 5, -7, -3));

 

    // 按 encounter order 打印 set，输出为：-7, -3, 1, 5, 12

    System.out.println("The encounter order of set: ");

    set.stream().forEachOrdered(s -> System.out.print(s + " "));

    System.out.println();

 

    // TreeSet 是有序的，所以来自 TreeSet 的 Stream 也是有序的

    // 当 Stream 是有序时，执行操作 limit(2) ，不管是串行还是并行，也不管执行多少次，结果都是前两位数字 [-7, -3]

    System.out.println("Limit ordered Stream: ");

    set.stream().parallel().limit(2).forEachOrdered(s -> System.out.print(s + " "));

    System.out.println();

 

    // 我们使用 unordered 方法将 Stream 转换为无序的。

    // 当 Stream 是无序时，并行执行操作 limit(2) ，会发现执行多次时，输出的数字是不一样的（不确定性）

    System.out.println("Limit unordered Stream: ");

    System.out.print("first time: ");

    set.stream().unordered().parallel().limit(2).forEachOrdered(s -> System.out.print(s + " "));

    System.out.println();

    System.out.print("second time: ");

    set.stream().unordered().parallel().limit(2).forEachOrdered(s -> System.out.print(s + " "));

    System.out.println();

}

上述示例代码的输出类似：

The encounter order of set:

-7 -3 1 5 12

Limit ordered Stream:

-7 -3

Limit unordered Stream:

first time: -3 5

second time: 5 12

大家可以仔细体会。欢迎加群讨论！！！

纯函数操作

回顾本系列文章的第一篇，纯函数（purely function）指的是它不会改变函数以外的其它状态，换而言之，即不会改变在该函数之外定义的变量值。纯函数不会导致“副作用（side-effects）。

在Stream的并行编程中，纯函数操作非常关键，否则我们依然需要考虑线程安全的问题。

举例说明：

public static void unsafeParallelOperation() {

    List<String> provinces = Arrays.asList("Guangdong", "Jiangsu", "Guangxi", "Jiangxi", "Shandong");

    // "副作用" 导致的线程不安全问题

    ArrayList<String> results = new ArrayList<>();

    provinces.parallelStream()

            // 过滤掉以 G 开头的省份

            .filter(s -> !s.startsWith("G"))

            // 在 lambda表达式中修改了 results 的值，

            // 说明了 "s -> results.add(s)" 并非一个纯函数，

            // 带来了不必要的 "副作用"，

            // 在并行执行时，会导致线程不安全的问题。

            .forEach(s -> results.add(s));

    System.out.println(results);

}

上述示例代码存在线程不安全的问题 —— 多个线程会同时修改 ArrayList 类型的 results ，我们需要对 results 变量加锁。

正确的做法是：

public static void safeParallelOperation() {

    List<String> provinces = Arrays.asList("Guangdong", "Jiangsu", "Guangxi", "Jiangxi", "Shandong");

    List<String> results = provinces.parallelStream()

            // 过滤掉以 G 开头的省份

            .filter(s -> !s.startsWith("G"))

            // 没有 "副作用"

            .collect(Collectors.toList());

    System.out.println(results);

}

通过内置的 Collectors.toList() 方法，就不存在“副作用”，从而也无需考虑线程安全问题。

Collectors与ConcurrentMap

回顾一下，在介绍Stream的规约方法 Stream.collect(Collector) 时，我们提到了一个需求场景：将员工按照部门分组。

并行执行的实现代码类似：

public static void groupEmployeesToMap() {

    List<Employee> employees = Utils.makeEmployees();

    Map<String, List<Employee>> map = employees.parallelStream()

            .collect(Collectors.groupingBy(Employee::getDepartment));

    System.out.println(map);

}

虽然上述代码可以实现功能，但性能可能并不尽如人意，因为在并行执行时，需要将多个中间结果汇总为最终的结果，但合并两个Map，性能损耗可能非常大（例如HashMap，底层是数组+红黑树实现的，合并时复杂度不低）。

自然而然，聪明的Java程序员会想到：如果并行执行得到的中间结果和最终结果都是使用同一个Map实例，那就不需要合并两个Map了，当然，因为并行执行涉及到多线程，因此，这个Map实例要求是线程安全的。典型的线程安全的Map，当然首选ConcurrentHashMap 啦。

这就是Collectors工具类中与ConcurrentMap相关的方法的实现原理，主要包括：

1. toConcurrentMap 系列方法

2. groupingByConcurrent 系列方法

但使用 ConcurrentHashMap 有个缺点：它不能保证 Stream 的 encounter order，所以只有当你确定元素的顺序不影响最终结果时，才使用与ConcurrentMap相关的方法。

最后，还要注意，只有在并行编程时，我们才要考虑使用 toConcurrentMap 或者 groupingByConcurrent 方法，否则会因为不必要的线程同步操作，反而影响了性能。

规约操作的注意事项

在本系列介绍规约操作的文章中，已经提到了很多关于并行编程的注意事项，本小节将它们汇总起来，供大家参考。

reduce(T, BinaryOperator)

reduce(T, BinaryOperator)的方法签名是：

T reduce(T identity, BinaryOperator<T> accumulator);

其中 T 是 Stream 的泛型类型。

参数 identity 是规约操作的初始值。

参数accumulator 要求满足结合律（associative）。

参数 accumulator 定义的函数必须满足结合律（associative），否则在一些顺序不确定的或并行的场景中会导致不正确的结果。

此外，如果是并行执行的话，对参数 identity 还有一个要求：对任意值 t，要满足 accumulator.apply(identity, t) == t 。否则，会导致错误的结果。

public static void reduceStream2() {

    List<Integer> list = Arrays.asList(1, 3, 5, 7, 9);

 

    // 这是正确的范例：因为数字 0 是累加操作的 identity 。

    sum = list.parallelStream().reduce(0, (x, y) -> x + y);

    // 输出为 0+1+3+5+7+9 = 25

    System.out.println(sum);

 

    // 这是错误的范例：因为数字 5 并不是累加操作的 identity 。

    sum = list.parallelStream().reduce(5, (x, y) -> x + y);

    // 本意是输出为 5+1+3+5+7+9 = 30，但实际上会输出一个比30大的数字。

    System.out.println(sum);

}

reduce(U, BiFunction, BinaryOperator)

具体的方法签名是：

<U> U reduce(U identity,

             BiFunction<U, ? super T, U> accumulator,

             BinaryOperator<U> combiner);

其中 U 是返回值的类型，T 是 Stream 的泛型类型。

参数 identity 是规约操作的初始值。

参数accumulator 是与Stream中单个元素的合并操作，等同于函数 U apply(U u, T t)。

参数 combiner 是将并行执行得到的多个中间结果进行合并的操作，等同于函数 U apply(U u1, U u2)。

在并行编程中，对3个参数都有一些特殊要求：

1. 参数 combiner 必须满足结合律

2. 参数 identity，对于任意值 u，必须满足 combiner.apply(identity, u) == u

3. 参数 accumulator 和 combiner 两者必须兼容，即对于任意值 u 和 t，必须满足：

combiner.apply(u, accumulator.apply(identity, t)) == accumulator.apply(u, t)

collect(Supplier, BiConsumer, BiConsumer)

ollect方法的签名是：

<R> R collect(Supplier<R> supplier,

              BiConsumer<R, ? super T> accumulator,

              BiConsumer<R, R> combiner);

其中 R 是返回值的类型，通常是一个容器类（例如 Collection 或 Map）。T 是Stream中的元素类型。

参数 supplier 是用来创建一个容器实例的函数。

参数 accumulator 是将Stream中的一个元素合并到容器中的函数。

参数 combiner 是将两个容器归并为一个容器的函数，只在并行执行的时候用到。

在并行执行的场景下，我们有一些额外的要求：

1. combiner函数满足结合律

2. 要求combiner 和 accumulator 是兼容的（compatible），即对于任意的r和t， combiner.accept(r, accumulator.accept(supplier.get(), t)) == accumulator.accept(r, t)

结语

Stream 提供了非常方便的并行编程API，但它还是存在很多问题，非常容易踩坑。

其中，最为人诟病的是它的不可控性。因为 Parallel Stream 的底层是基于 ForkJoinPool ，而 ForkJoinPool 的工作线程数是在虚拟机启动时指定的，如果 Stream 并行执行的任务数量过多或耗时过多，甚至会影响应用程序中其它使用 ForkJoinPool 的功能。

总的来说，除非你非常了解你正在做的事情，否则不要使用 Stream 的并行编程API 。取而代之，我们可以直接使用Java中多线程技术（例如线程池）来处理。