为什么Files.list（）并行流的执行速度比使用Collection.parallelStream（）慢得多？
以下代码片段是获取目录列表的方法的一部分，在每个文件上调用extract方法并将生成的药物对象序列化为xml。
try(Stream paths = Files.list(infoDir)) { paths .parallel() .map(this::extract) .forEachOrdered(drug -> { try { marshaller.write(drug); } catch (JAXBException ex) { ex.printStackTrace(); } }); } 这是完全相同的完全相同的代码，但使用普通的.list()调用来获取目录列表并在结果列表中调用.parallelStream() 。
Arrays.asList(infoDir.toFile().list()) .parallelStream() .map(f -> infoDir.resolve(f)) .map(this::extract) .forEachOrdered(drug -> { try { marshaller.write(drug); } catch (JAXBException ex) { ex.printStackTrace(); } });
我的机器是四核MacBook Pro，Java v 1.8.0_60（内置1.8.0_60-b27）。
我正在处理~7000个文件。 平均3次运行：
第一个版本：使用.parallel() ：20秒。 没有.parallel() ：41秒
第二个版本：使用.parallelStream() ：12秒。 使用.stream() ：41秒。
并行模式下的那8秒似乎是一个巨大的差异，因为从流中读取并执行所有繁重工作的extract方法和执行最终写入的write调用都没有改变。
问题是Stream API的当前实现以及IteratorSpliterator的当前实现对于未知大小的源严重地将这些源拆分为并行任务。 你很幸运拥有超过1024个文件，否则你将没有任何并行化的好处。 当前Stream API实现考虑了Spliterator返回的estimateSize()值。 未知大小的IteratorSpliterator在拆分之前返回Long.MAX_VALUE ，其后缀也始终返回Long.MAX_VALUE 。 它的分裂策略如下：
- 定义当前批次大小。 当前公式是从1024个元素开始并以算术方式（
MAX_BATCH等）增加，直到达到MAX_BATCH大小（即33554432个元素）。 - 将输入元素（在您的情况下为Paths）消耗到数组中，直到达到批处理大小或输入耗尽为止。
- 返回一个
ArraySpliterator迭代创建的数组作为前缀，将自身ArraySpliterator后缀。
假设你有7000个文件。 Stream API会询问估计的大小， IteratorSpliterator返回Long.MAX_VALUE 。 好的，Stream API要求IteratorSpliterator进行拆分，它会从底层DirectoryStream收集1024个元素到数组，然后拆分到ArraySpliterator （估计大小为1024）和它自己（估计大小仍为Long.MAX_VALUE ）。 由于Long.MAX_VALUE远远超过1024，因此Stream API决定继续拆分较大的部分，甚至不试图拆分较小的部分。 所以整体分裂树是这样的：
IteratorSpliterator (est. MAX_VALUE elements) | | ArraySpliterator (est. 1024 elements) IteratorSpliterator (est. MAX_VALUE elements) | | /---------------/ | | | ArraySpliterator (est. 2048 elements) IteratorSpliterator (est. MAX_VALUE elements) | | /---------------/ | | | ArraySpliterator (est. 3072 elements) IteratorSpliterator (est. MAX_VALUE elements) | | /---------------/ | | | ArraySpliterator (est. 856 elements) IteratorSpliterator (est. MAX_VALUE elements) | (split returns null: refuses to split anymore)
所以在那之后你要执行五个并行任务：实际上包含1024,2048,3072,856和0个元素。 请注意，即使最后一个块有0个元素，它仍然会报告它估计有Long.MAX_VALUE元素，因此Stream API也会将它发送到ForkJoinPool 。 糟糕的是，Stream API认为前四个任务的进一步拆分是无用的，因为它们的估计大小要小得多。 所以你得到的是非常不均匀的输入分割，最大利用四个CPU内核（即使你有更多）。 如果每个元素的处理对于任何元素大致相同，那么整个过程将等待最大部分（3072个元素）完成。 所以最大加速可能是7000/3072 = 2.28x。 因此，如果顺序处理需要41秒，那么并行流将需要大约41 / 2.28 = 18秒（这接近您的实际数字）。
您的解决方案完全没问题。 请注意，使用Files.list().parallel()还可以将所有输入Path元素存储在内存中（在ArraySpliterator对象中）。 因此，如果手动将它们转储到List则不会浪费更多内存。 像ArrayList （当前由Collectors.toList()创建Collectors.toList()数组支持的列表实现可以均匀地分割而没有任何问题，这导致额外的加速。
为什么这种情况没有优化？ 当然，这不是一个不可能的问题（尽管实施可能非常棘手）。 对于JDK开发人员来说，这似乎不是高优先级问题。 在邮件列表中有关于此主题的几个讨论。 你可以在这里阅读Paul Sandoz的消息， 在那里他评论我的优化工作。
作为替代方案，您可以使用专为DirectoryStream量身定制的自定义分割器：
public class DirectorySpliterator implements Spliterator { Iterator iterator; long est; private DirectorySpliterator(Iterator iterator, long est) { this.iterator = iterator; this.est = est; } @Override public boolean tryAdvance(Consumer action) { if (iterator == null) { return false; } Path path; try { synchronized (iterator) { if (!iterator.hasNext()) { iterator = null; return false; } path = iterator.next(); } } catch (DirectoryIteratorException e) { throw new UncheckedIOException(e.getCause()); } action.accept(path); return true; } @Override public Spliterator trySplit() { if (iterator == null || est == 1) return null; long e = this.est >>> 1; this.est -= e; return new DirectorySpliterator(iterator, e); } @Override public long estimateSize() { return est; } @Override public int characteristics() { return DISTINCT | NONNULL; } public static Stream list(Path parent) throws IOException { DirectoryStream ds = Files.newDirectoryStream(parent); int splitSize = Runtime.getRuntime().availableProcessors() * 8; DirectorySpliterator spltr = new DirectorySpliterator(ds.iterator(), splitSize); return StreamSupport.stream(spltr, false).onClose(() -> { try { ds.close(); } catch (IOException e) { throw new UncheckedIOException(e); } }); } }
只需用DirectorySpliterator.list替换Files.list ，它将平行并行化，无需任何中间缓冲。 这里我们使用DirectoryStream生成一个没有任何特定顺序的目录列表这一事实，因此每个并行线程只会从中获取一个后续条目（以同步方式，因为我们已经有了同步IO操作，额外的同步几乎没有任何开销）。 并行顺序每次都会不同（即使使用了forEachOrdered ），但Files.list()也不保证顺序。
这里唯一不重要的部分是要创建多少并行任务。 由于我们在遍历它之前不知道文件夹中有多少文件，因此最好使用availableProcessors()作为基础。 我创建了大约8 x availableProcessors()处理器8 x availableProcessors()单个任务，这似乎是一个很好的细粒度/粗粒度的折衷：如果每个元素处理不均匀，比处理器有更多的任务将有助于平衡负载。
解决方法的另一种替代方法是在流上使用.collect(Collectors.toList()).parallelStream()
try(Stream paths = Files.list(infoDir)) { paths .collect(Collectors.toList()) .parallelStream() .map(this::extract) .forEachOrdered(drug -> { try { marshaller.write(drug); } catch (JAXBException ex) { ex.printStackTrace(); } }); }
有了这个，你不需要调用.map(f -> infoDir.resolve(f)) ，性能应该类似于你的第二个解决方案。