Java8 Stream原理深度解析
Author:Dorae
Date:2017年11月2日19:10:39
转载请注明出处html
上一篇文章中简要介绍了Java8的函数式编程，而在Java8中另一个比较大且很是重要的改动就是Stream。在这篇文章中，将会对流的实现原理进行深度，解析，具体关于如何使用，请参考《Java8函数式编程》。java
经常使用的流操做
在深刻原理以前，咱们有必要知道关于Stream的一些基础知识，关于Stream的操做分类，如表1-1所示。编程
表1-1 Stream的经常使用操做分类(表格引自这里)数组
如表1-1中所示，Stream中的操做能够分为两大类：中间操做与结束操做，中间操做只是对操做进行了记录，只有结束操做才会触发实际的计算（即惰性求值），这也是Stream在迭代大集合时高效的缘由之一。中间操做又能够分为无状态（Stateless）操做与有状态（Stateful）操做，前者是指元素的处理不受以前元素的影响；后者是指该操做只有拿到全部元素以后才能继续下去。结束操做又能够分为短路与非短路操做，这个应该很好理解，前者是指遇到某些符合条件的元素就能够获得最终结果；然后者是指必须处理全部元素才能获得最终结果。markdown
原理探秘
在探究Stream的执行原理以前，咱们先看以下两段代码（本文将以code_1为例进行说明）：数据结构
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); }
很明显，在最终结果上而言，code_1与code_2是等价的。那么，Stream是怎么作的呢？显然不是每次操做都进行迭代，由于这对于执行时间与存储中间变量来讲都将是噩梦。less
要解决的问题
显然，若是code_2只对集合迭代了一次，也就是说至关高效。那么这么作有没有弊端？有！模板代码、中间变量、不利于并行都是其存在的问题。可是按着code_2的思路能够知道有如下几个问题须要解决：ide
- 如何记录每次操做？
- 操做如何叠加？
- 叠加后的操做如何执行？
- 最后的结果如何存储？
包结构分析
那么Stream是如何解决的呢？所谓源码之下，无所遁形。那么，首先来看一下Stream包的结构（如图1-1所示）。
图1-1 Stream包的结构示意图
其中各个部分的主要功能为：
- 主要是各类操做的工厂类、数据的存储结构以及收集器的工厂类等；
- 主要用于Stream的惰性求值实现；
- Stream的并行计算框架；
- 存储并行流的中间结果；
- 终结操做的定义；
咱们单独把第二部分拎出来用于说明Stream的惰性求值实现，如图1-2所示，Java8针对Int、long、double进行了优化，主要用于频繁的拆装箱。咱们以引用类型进行介绍，在图中已经标为绿色。
- BaseStream规定了流的基本接口，好比iterator、spliterator、isParallel等；
- Stream中定义了map、filter、flatmap等用户关注的经常使用操做；
- PipelineHelper主要用于Stream执行过程当中相关结构的构建；
- Head、StatelessOp、StatefulOp为ReferencePipeline中的内部类。
图1-2
操做如何记录
关于操做如何记录，在JDK源码注释中屡次用（操做）stage来标识用户的每一次操做，而一般状况下Stream的操做又须要一个回调函数，因此一个完整的操做是由数据来源、操做、回调函数组成的三元组来表示。而在具体实现中，使用实例化的ReferencePipeline来表示，即图1-2中的Head、StatelessOp、StatefulOp的实例。
如code_三、code_4所示为调用stream.map()的关键的两个方法，在用户
调用一系列操做后会造成如图1-3所示的双链表结构。
图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; }
如何叠加
在上一步已经在stage中记录了每一步操做，此时并无执行。可是stage只是保存了当前的操做，并不能肯定下一个stage须要何种操做，何种数据，其实JDK为此定义了Sink接口，其中只有begin()、end()、cancellationRequested()、accept()四个接口（如表1-2所示，摘自这里），其中中间操做的子类中包含一个指向下游sink的指针。
表1-2
如今转向code_3，能够看出，在satge链中，每一步都包含了opWrapSink()。当调用终结操做时，将会触发code_5从最后一个stage（终结操做产生的satge）开始，递归产生图1-4所示的结构。
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; }
图1-4
如何执行
全部的操做已经造成了图1-4的结构，接下来就会触发code_6，此时结果就会产生对应的结果啦！
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); } }
并行原理
那么，Stream是如何并行执行的呢？其实产生stage链的过程和串行并无区别，只是在最终执行时进行了相应的调整，咱们将code_1改变为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); }
那么最终产生的stage链与sink的结构如图1-5所示，由于此时stage链中有一个有状态操做（sorted()），也就是说在这里必须处理完全部元素才能进行下一步操做。那么此时不管是并行仍是串行，此时都会产生两个sink链，也就是表明了两次迭代，才产生了最终结果。
图1-5
那么，到底是如何并行的呢？其实当调用collect操做时会调用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(); }
其实Stream的并行处理是基于ForkJoin框架的，相关类与接口的结构如图1-6所示。其中AbstractShortCircuitTask用于处理短路操做，其余相关操做相似，会产生对应的Task。
图1-6
关于code_8中获取源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) { //若是是并行流而且有stage包含stateful操做 //那么就会依次遍历stage，直到遇到stateful stage时 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，则去除相应标记 thisOpFlags = thisOpFlags & ~StreamOpFlag.IS_SHORT_CIRCUIT; } //尽可能以惰性求值的方式进行操做 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; }
如何并行执行
关于各个task就行是如何并行执行，其实最终调用的是code_11所示，对应的流程如图1-7所示，其中交替fork子节点是为了缓和数据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(); }
图1-7
影响并行流的因素
数据大小；源数据结构（分割越容易越好），arraylist、数组比较好，hashSet、treeSet次之，linked最差；装箱；核的数量（可以使用）；单元处理开销（越大越好）
建议：
终结操做之外的操做，尽可能避免反作用，避免突变基于堆栈的引用，或者在执行过程当中进行任何I/O；传递给流操做的数据源应该是互不干扰（避免修改数据源）。
小结
本文主要探究了Stream的实现原理，并无涉及到具体的流操做的用法（读者能够参考《java8函数式编程》），而且给出了使用Stream的部分建议。