从原理到实战解析Java Stream 的并行流性能优化

// 自定义并行度（以处理100万条数据为例）
int parallelism = Runtime.getRuntime().availableProcessors() * 2;
ForkJoinPool customPool = new ForkJoinPool(parallelism);
List<String> result = customPool.submit(() -> 
    dataList.parallelStream()
        .filter(item -> item.length() > 10)
        .map(String::toUpperCase)
        .collect(Collectors.toList())
).join();

// 低效：使用Integer流（自动装箱拆箱）
List<Integer> numbers = Arrays.asList(1, 2, ..., 1000000);
long sum1 = numbers.parallelStream().mapToInt(Integer::intValue).sum();
// 高效：直接使用IntStream
int[] primitiveNumbers = {1, 2, ..., 1000000};
long sum2 = Arrays.stream(primitiveNumbers).parallel().sum(); // 性能提升约30%

LinkedList<String> linkedData = new LinkedList<>(data);
String[] array = linkedData.toArray(new String[0]);
Arrays.stream(array).parallel()...; // 分割效率提升显著

// 原代码（多层操作）
List<User> result = users.parallelStream()
    .filter(u -> u.getAge() > 18)
    .filter(u -> u.getCity().equals("Beijing"))
    .map(u -> {u.setStatus("ACTIVE"); return u;})
    .collect(toList());
// 优化后（合并条件+peek）
List<User> optimized = users.parallelStream()
    .filter(u -> u.getAge() > 18 && u.getCity().equals("Beijing"))
    .peek(u -> u.setStatus("ACTIVE"))
    .collect(toList());

@Benchmark
public long parallelSum() {
    return IntStream.range(0, 10000000).parallel().sum();
}

// 串行流（耗时约120ms）
long serialTotal = orders.stream()
    .filter(o -> o.getStatus() == "PAID")
    .mapToDouble(Order::getAmount)
    .sum();
// 并行流（耗时约35ms，优化后）
long parallelTotal = orders.parallelStream()
    .unordered() // 取消有序性保证
    .filter(o -> o.getStatus() == "PAID")
    .mapToDouble(Order::getAmount)
    .sum();