java理論基礎(chǔ)Stream性能論證測試示例
一、粉絲的反饋
問:stream比for循環(huán)慢5倍,用這個是為了啥? 答:互聯(lián)網(wǎng)是一個新聞泛濫的時代,三人成虎,以假亂真的事情時候發(fā)生。作為一個技術(shù)開發(fā)者,要自己去動手去做,不要人云亦云。
的確,這位粉絲說的這篇文章我也看過,我就不貼地址了,也沒必要給他帶流量。怎么說呢?就是一個不懂得測試的、不入流開發(fā)工程師做的性能測試,給出了一個危言聳聽的結(jié)論。
二、所有性能測試結(jié)論都是片面的
性能測試是必要的,但針對性能測試的結(jié)果,永遠要持懷疑態(tài)度。為什么這么說?
- 性能測試脫離業(yè)務(wù)場景就是片面的性能測試。你能覆蓋所有的業(yè)務(wù)場景么?
- 性能測試脫離硬件環(huán)境就是片面的性能測試。你能覆蓋所有的硬件環(huán)境么?
- 性能測試脫離開發(fā)人員的知識面就是片面的性能測試。你能覆蓋各種開發(fā)人員奇奇怪怪的代碼么?
所以,我從來不相信網(wǎng)上的任何性能測試的文章。凡是我自己的從事的業(yè)務(wù)場景,我都要在接近生產(chǎn)環(huán)境的機器上自己測試一遍。 所有性能測試結(jié)論都是片面的,只有你生產(chǎn)環(huán)境下的運行結(jié)果才是真的。
三、動手測試Stream的性能
3.1.環(huán)境
windows10 、16G內(nèi)存、i7-7700HQ 2.8HZ 、64位操作系統(tǒng)、JDK 1.8.0_171
3.2.測試用例與測試結(jié)論
我們在上一節(jié),已經(jīng)講過:
- 針對不同的數(shù)據(jù)結(jié)構(gòu),Stream流的執(zhí)行效率是不一樣的
- 針對不同的數(shù)據(jù)源,Stream流的執(zhí)行效率也是不一樣的
所以記住筆者的話:所有性能測試結(jié)論都是片面的,你要自己動手做,相信你自己的代碼和你的環(huán)境下的測試!我的測試結(jié)果僅僅代表我自己的測試用例和測試數(shù)據(jù)結(jié)構(gòu)!
3.2.1.測試用例一
測試用例:5億個int隨機數(shù),求最小值 測試結(jié)論(測試代碼見后文):
- 使用普通for循環(huán),執(zhí)行效率是Stream串行流的2倍。也就是說普通for循環(huán)性能更好。
- Stream并行流計算是普通for循環(huán)執(zhí)行效率的4-5倍。
- Stream并行流計算 > 普通for循環(huán) > Stream串行流計算
3.2.2測試用例二
測試用例:長度為10的1000000隨機字符串,求最小值 測試結(jié)論(測試代碼見后文):
- 普通for循環(huán)執(zhí)行效率與Stream串行流不相上下
- Stream并行流的執(zhí)行效率遠高于普通for循環(huán)
- Stream并行流計算 > 普通for循環(huán) = Stream串行流計算
3.2.3測試用例三
測試用例:10個用戶,每人200個訂單。按用戶統(tǒng)計訂單的總價。 測試結(jié)論(測試代碼見后文):
- Stream并行流的執(zhí)行效率遠高于普通for循環(huán)
- Stream串行流的執(zhí)行效率大于等于普通for循環(huán)
- Stream并行流計算 > Stream串行流計算 >= 普通for循環(huán)
四、最終測試結(jié)論
對于簡單的數(shù)字(list-Int)遍歷,普通for循環(huán)效率的確比Stream串行流執(zhí)行效率高(1.5-2.5倍)。但是Stream流可以利用并行執(zhí)行的方式發(fā)揮CPU的多核優(yōu)勢,因此并行流計算執(zhí)行效率高于for循環(huán)。
對于list-Object類型的數(shù)據(jù)遍歷,普通for循環(huán)和Stream串行流比也沒有任何優(yōu)勢可言,更不用提Stream并行流計算。
雖然在不同的場景、不同的數(shù)據(jù)結(jié)構(gòu)、不同的硬件環(huán)境下。Stream流與for循環(huán)性能測試結(jié)果差異較大,甚至發(fā)生逆轉(zhuǎn)。但是總體上而言:
- Stream并行流計算 >> 普通for循環(huán) ~= Stream串行流計算 (之所以用兩個大于號,你細品)
- 數(shù)據(jù)容量越大,Stream流的執(zhí)行效率越高。
- Stream并行流計算通常能夠比較好的利用CPU的多核優(yōu)勢。CPU核心越多,Stream并行流計算效率越高。
stream比for循環(huán)慢5倍?也許吧,單核CPU、串行Stream的int類型數(shù)據(jù)遍歷?我沒試過這種場景,但是我知道這不是應(yīng)用系統(tǒng)的核心場景??戳耸畮灼獪y試博文,和我的測試結(jié)果。我的結(jié)論是: 在大多數(shù)的核心業(yè)務(wù)場景下及常用數(shù)據(jù)結(jié)構(gòu)下,Stream的執(zhí)行效率比for循環(huán)更高。 畢竟我們的業(yè)務(wù)中通常是實實在在的實體對象,沒事誰總對List<Int>
類型進行遍歷?誰的生產(chǎn)服務(wù)器是單核?。
五、測試代碼
<dependency> <groupId>com.github.houbb</groupId> <artifactId>junitperf</artifactId> <version>2.0.0</version> </dependency>
測試用例一:
import com.github.houbb.junitperf.core.annotation.JunitPerfConfig; import com.github.houbb.junitperf.core.report.impl.HtmlReporter; import org.junit.jupiter.api.BeforeAll; import java.util.Arrays; import java.util.Random; public class StreamIntTest { public static int[] arr; @BeforeAll public static void init() { arr = new int[500000000]; //5億個隨機Int randomInt(arr); } @JunitPerfConfig( warmUp = 1000, reporter = {HtmlReporter.class}) public void testIntFor() { minIntFor(arr); } @JunitPerfConfig( warmUp = 1000, reporter = {HtmlReporter.class}) public void testIntParallelStream() { minIntParallelStream(arr); } @JunitPerfConfig( warmUp = 1000, reporter = {HtmlReporter.class}) public void testIntStream() { minIntStream(arr); } private int minIntStream(int[] arr) { return Arrays.stream(arr).min().getAsInt(); } private int minIntParallelStream(int[] arr) { return Arrays.stream(arr).parallel().min().getAsInt(); } private int minIntFor(int[] arr) { int min = Integer.MAX_VALUE; for (int anArr : arr) { if (anArr < min) { min = anArr; } } return min; } private static void randomInt(int[] arr) { Random r = new Random(); for (int i = 0; i < arr.length; i++) { arr[i] = r.nextInt(); } } }
測試用例二:
import com.github.houbb.junitperf.core.annotation.JunitPerfConfig; import com.github.houbb.junitperf.core.report.impl.HtmlReporter; import org.junit.jupiter.api.BeforeAll; import java.util.ArrayList; import java.util.Random; public class StreamStringTest { public static ArrayList<String> list; @BeforeAll public static void init() { list = randomStringList(1000000); } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void testMinStringForLoop(){ String minStr = null; boolean first = true; for(String str : list){ if(first){ first = false; minStr = str; } if(minStr.compareTo(str)>0){ minStr = str; } } } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void textMinStringStream(){ list.stream().min(String::compareTo).get(); } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void testMinStringParallelStream(){ list.stream().parallel().min(String::compareTo).get(); } private static ArrayList<String> randomStringList(int listLength){ ArrayList<String> list = new ArrayList<>(listLength); Random rand = new Random(); int strLength = 10; StringBuilder buf = new StringBuilder(strLength); for(int i=0; i<listLength; i++){ buf.delete(0, buf.length()); for(int j=0; j<strLength; j++){ buf.append((char)('a'+ rand.nextInt(26))); } list.add(buf.toString()); } return list; } }
測試用例三:
import com.github.houbb.junitperf.core.annotation.JunitPerfConfig; import com.github.houbb.junitperf.core.report.impl.HtmlReporter; import org.junit.jupiter.api.BeforeAll; import java.util.*; import java.util.stream.Collectors; public class StreamObjectTest { public static List<Order> orders; @BeforeAll public static void init() { orders = Order.genOrders(10); } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void testSumOrderForLoop(){ Map<String, Double> map = new HashMap<>(); for(Order od : orders){ String userName = od.getUserName(); Double v; if((v=map.get(userName)) != null){ map.put(userName, v+od.getPrice()); }else{ map.put(userName, od.getPrice()); } } } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void testSumOrderStream(){ orders.stream().collect( Collectors.groupingBy(Order::getUserName, Collectors.summingDouble(Order::getPrice))); } @JunitPerfConfig(duration = 10000, warmUp = 1000, reporter = {HtmlReporter.class}) public void testSumOrderParallelStream(){ orders.parallelStream().collect( Collectors.groupingBy(Order::getUserName, Collectors.summingDouble(Order::getPrice))); } } class Order{ private String userName; private double price; private long timestamp; public Order(String userName, double price, long timestamp) { this.userName = userName; this.price = price; this.timestamp = timestamp; } public String getUserName() { return userName; } public double getPrice() { return price; } public long getTimestamp() { return timestamp; } public static List<Order> genOrders(int listLength){ ArrayList<Order> list = new ArrayList<>(listLength); Random rand = new Random(); int users = listLength/200;// 200 orders per user users = users==0 ? listLength : users; ArrayList<String> userNames = new ArrayList<>(users); for(int i=0; i<users; i++){ userNames.add(UUID.randomUUID().toString()); } for(int i=0; i<listLength; i++){ double price = rand.nextInt(1000); String userName = userNames.get(rand.nextInt(users)); list.add(new Order(userName, price, System.nanoTime())); } return list; } @Override public String toString(){ return userName + "::" + price; } }
以上就是java理論基礎(chǔ)Stream性能論證測試示例的詳細內(nèi)容,更多關(guān)于java Stream性能測試的資料請關(guān)注腳本之家其它相關(guān)文章!
相關(guān)文章
Java用 Rhino/Nashorn 代替第三方 JSON 轉(zhuǎn)換庫
本篇文章主要介紹了Java用 Rhino/Nashorn 代替第三方 JSON 轉(zhuǎn)換庫,非常具有實用價值,需要的朋友可以參考下2017-05-05Java線程池ForkJoinPool(工作竊取算法)的使用
Fork就是把一個大任務(wù)切分為若干個子任務(wù)并行地執(zhí)行,Join就是合并這些子任務(wù)的執(zhí)行結(jié)果,最后得到這個大任務(wù)的結(jié)果。Fork/Join?框架使用的是工作竊取算法。本文主要介紹了ForkJoinPool的使用,需要的可以參考一下2022-11-11SpringBoot啟動java.nio.charset.MalformedInputException: I
本文主要介紹了SpringBoot啟動java.nio.charset.MalformedInputException: Input length = 1報錯的解決方案2023-07-07java評論、回復(fù)功能設(shè)計與實現(xiàn)方法
很多項目或者系統(tǒng)都有評論或者回復(fù)的需求,但評論回復(fù)的實現(xiàn)往往都比較復(fù)雜,也不好實現(xiàn),下面這篇文章主要給大家介紹了關(guān)于java評論、回復(fù)功能設(shè)計與實現(xiàn)的相關(guān)資料,需要的朋友可以參考下2022-06-06