ForkJoin与并行流

最新推荐文章于 2023-03-23 15:17:29 发布

我能在河边钓一整天的鱼

最新推荐文章于 2023-03-23 15:17:29 发布

阅读量503

点赞数

CC 4.0 BY-SA版权

本文链接：https://blog.youkuaiyun.com/Delicious_Life/article/details/106489667

本文介绍了ForkJoin框架在JDK1.7中的引入，其主要目的是通过拆分大任务来提升大规模计算的效率。ForkJoin的工作窃取机制确保任务并行执行，利用双端队列实现任务间的协助。并行流虽然基于ForkJoin，但更加注重任务的细粒度拆分以实现真正的并行。文章通过比较累加、ForkJoin和并行流的求和效率，指出并行流在效率上的优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

什么是ForkJoin

ForkJoin的工作窃取机制

并行流与ForkJoin的区别

高效率的求和方法：ForkJoin与并行流

什么是ForkJoin

ForkJoin出现在JDK1.7，它的作用简单来说就是并行执行任务，通过把大任务拆分为小任务的思想，在计算大数量时，提高效率

ForkJoin的工作窃取机制

ForkJoin的执行核心是递归，ForkJoin把一个大任务拆分成多个小任务，并行执行。假设子任务A执行一半时，子任务B已经执行完毕了，B会窃取一些A的任务，来帮助A执行未完成的任务。而给A窃取B提供保证的就是双端队列，每个子任务都是个双端队列

并行流与ForkJoin的区别

并行流基于ForkJoin原理实现，它也是把大任务拆分成小任务执行，需要主要的是，并行流把每个任务拆分的足够小，然后让多个小任务同时执行，我们称之为并行，但单纯使用ForkJoin并不一样是并行执行的任务

高效率的求和方法：ForkJoin与并行流

我们用累加、ForkJoin、并行流三种方式求和。看看哪个效率最高

注意，使用ForkJoin需要自定义一个Forkjoin方法，让这个方法继承递归事件或递归任务类，然后设置划分子任务的条件，再进行提交子任务。

public class Test {
    public static void main(String[] args) throws ExecutionException, InterruptedException {
        //test1();    //13232ms
        //test2();      //12076ms
        test3();        //595ms
    }

    //普通程序员
    public static void test1(){
        Long sum = 0L;
        long start = System.currentTimeMillis();
        for (Long i = 1L; i <=10_0000_0000 ; i++) {
            sum += i;
        }
        long end = System.currentTimeMillis();
        System.out.println("sum="+sum+" 时间: "+(end-start));
    }

    //使用Forkjoin
    public static void test2() throws ExecutionException, InterruptedException {
        long start = System.currentTimeMillis();

        ForkJoinPool forkJoinPool = new ForkJoinPool();
        ForkJoinTask<Long> task = new ForkJoinDemo(0L, 10_0000_0000L);
        ForkJoinTask<Long> submit = forkJoinPool.submit(task);  //提交任务
        Long sum = submit.get();

        long end = System.currentTimeMillis();
        System.out.println("sum="+sum+"时间: "+(end-start));
    }

    //使用并行流
    public static void test3(){
        long start = System.currentTimeMillis();
        long sum = LongStream.rangeClosed(0L, 10_0000_0000L).parallel().reduce(0, Long::sum);
        long end = System.currentTimeMillis();
        System.out.println("sum="+"时间: "+(end-start));
    }
}

累加计算效率最高的是并行流~