多线程优化接口效率

可以用多线程优化的大概有两种情况：

1、存在循环很耗时

2、存在不必要同步处理的耗时代码块（没有但是可以分析拆解出来的）

代码如下

import java.util.concurrent.ExecutionException;
import java.util.concurrent.Future;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;

 多线程处理后需要数据返回

    public List execute(List taskList){
        //比如taskList有20个任务数据需要处理
        ExecutorService executorService = Executors.newFixedThreadPool(10);
        // 提交多个任务
        Future<?>[] futures = new Future[taskList.size()];
        for (int i = 0; i < taskList.size(); i++) {
            final int taskId = i;
            futures[i] = executorService.submit(() -> {
                Object dm =taskList.get(taskId);
                /**执行任务开始**/
                /**执行任务结束**/
                resultList.add("存放结果");
            });
        }
        // 关闭线程池
        executorService.shutdown();
        // 等待所有任务完成
        List resultList=new ArrayList(20);
        for (Future<?> future : futures) {
            try {
                resultList.add(future.get()); // 阻塞直到任务完成
            } catch (InterruptedException | ExecutionException e) {
                e.printStackTrace();
            }
        }
        return resultList;
    }

不需要数据返回

    public void execute(List taskList){
        //比如taskList有20个任务数据需要处理
        ExecutorService executorService = Executors.newFixedThreadPool(10);
        // 提交多个任务
        Future<?>[] futures = new Future[taskList.size()];
        for (int i = 0; i < taskList.size(); i++) {
            final int taskId = i;
            futures[i] = executorService.submit(() -> {
                Object dm =taskList.get(taskId);
                /**执行任务开始**/
                /**执行任务结束**/
                resultList.add("存放结果");
            });
        }
        // 关闭线程池
        executorService.shutdown();
        // 等待所有任务完成
        for (Future<?> future : futures) {
            try {
                future.get(); // 阻塞直到任务完成
            } catch (InterruptedException | ExecutionException e) {
                e.printStackTrace();
            }
        }
    }

分析每次处理的数据相似度，次数增大后重复率变高，可以加缓存进一步提高效率

根据数据结果的大小选择本地或者redis，

本地缓存参考，使用方式自行百度

import com.google.common.cache.CacheBuilder;
import com.google.common.cache.CacheLoader;
import com.google.common.cache.LoadingCache;