Java8 Stream原理深度解析
Author:Dorae
Date:2017年11月2日19:10:39 轉載請註明出處
上一篇文章中簡要介紹了Java8的函數語言程式設計，而在Java8中另外一個比較大且非常重要的改動就是Stream。在這篇文章中，將會對流的實現原理進行深度，解析，具體關於如何使用，請參考《Java8函數語言程式設計》。
常用的流操作
在深入原理之前，我們有必要知道關於Stream的一些基礎知識，關於Stream的操作分類，如表1-1所示。
表1-1 Stream的常用操作分類(表格引自這裡)
如表1-1中所示，Stream中的操作可以分為兩大類：中間操作與結束操作，中間操作只是對操作進行了記錄，只有結束操作才會觸發實際的計算（即惰性求值），這也是Stream在迭代大集合時高效的原因之一。中間操作又可以分為無狀態（Stateless）操作與有狀態（Stateful）操作，前者是指元素的處理不受之前元素的影響；後者是指該操作只有拿到所有元素之後才能繼續下去。結束操作又可以分為短路與非短路操作，這個應該很好理解，前者是指遇到某些符合條件的元素就可以得到最終結果；而後者是指必須處理所有元素才能得到最終結果。
原理探祕
在探究Stream的執行原理之前，我們先看如下兩段程式碼（本文將以code_1為例進行說明）：
code_1
public static void main(String[] args) {
List<String> list = Lists.newArrayList(
"bcd", "cde", "def", "abc");
List<String> result = list.stream()
//.parallel()
.filter(e -> e.length() >= 3)
.map(e -> e.charAt(0))
//.peek(System.out :: println)
//.sorted()
//.peek(e -> System.out.println("++++" + e))
.map(e -> String.valueOf(e))
.collect(Collectors.toList());
System.out.println("----------------------------");
System.out.println(result);
}
複製程式碼code_2
public void targetMethod() {
List<String> list = Lists.newArrayList(
"bcd", "cde", "def", "abc");
List<String> result = Lists.newArrayListWithCapacity(list.size());
for (String str : list) {
if (str.length() >= 3) {
char e = str.charAt(0);
String tempStr = String.valueOf(e);
result.add(tempStr);
}
}
System.out.println("----------------------------");
System.out.println(result);
}
複製程式碼很明顯，在最終結果上而言，code_1與code_2是等價的。那麼，Stream是怎麼做的呢？顯然不是每次操作都進行迭代，因為這對於執行時間與儲存中間變數來說都將是噩夢。
要解決的問題
顯然，如果code_2只對集合迭代了一次，也就是說相當高效。那麼這麼做有沒有弊端？有！模板程式碼、中間變數、不利於並行都是其存在的問題。但是按著code_2的思路可以知道有以下幾個問題需要解決：
- 如何記錄每次操作？
- 操作如何疊加？
- 疊加後的操作如何執行？
- 最後的結果如何儲存？
包結構分析
那麼Stream是如何解決的呢？所謂原始碼之下，無所遁形。那麼，首先來看一下Stream包的結構（如圖1-1所示）。
圖1-1 Stream包的結構示意圖
其中各個部分的主要功能為：
- 主要是各種操作的工廠類、資料的儲存結構以及收集器的工廠類等；
- 主要用於Stream的惰性求值實現；
- Stream的平行計算框架；
- 儲存並行流的中間結果；
- 終結操作的定義；
我們單獨把第二部分拎出來用於說明Stream的惰性求值實現，如圖1-2所示，Java8針對Int、long、double進行了優化，主要用於頻繁的拆裝箱。我們以引用型別進行介紹，在圖中已經標為綠色。
- BaseStream規定了流的基本介面，比如iterator、spliterator、isParallel等；
- Stream中定義了map、filter、flatmap等使用者關注的常用操作；
- PipelineHelper主要用於Stream執行過程中相關結構的構建；
- Head、StatelessOp、StatefulOp為ReferencePipeline中的內部類。
圖1-2
操作如何記錄
關於操作如何記錄，在JDK原始碼註釋中多次用（操作）stage來標識使用者的每一次操作，而通常情況下Stream的操作又需要一個回撥函式，所以一個完整的操作是由資料來源、操作、回撥函式組成的三元組來表示。而在具體實現中，使用例項化的ReferencePipeline來表示，即圖1-2中的Head、StatelessOp、StatefulOp的例項。
如code_3、code_4所示為呼叫stream.map()的關鍵的兩個方法，在使用者 呼叫一系列操作後會形成如圖1-3所示的雙連結串列結構。
圖1-3
code_3(ReferencePipeline.map())
@Override
@SuppressWarnings("unchecked")
public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) {
Objects.requireNonNull(mapper);
return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
return new Sink.ChainedReference<P_OUT, R>(sink) {
@Override
public void accept(P_OUT u) {
downstream.accept(mapper.apply(u));
}
};
}
};
}
複製程式碼code_4(AbstractPipeline.AbstractPipeline())
AbstractPipeline(AbstractPipeline<?, E_IN, ?> previousStage, int opFlags) {
if (previousStage.linkedOrConsumed)
throw new IllegalStateException(MSG_STREAM_LINKED);
previousStage.linkedOrConsumed = true;
previousStage.nextStage = this;
this.previousStage = previousStage;
this.sourceOrOpFlags = opFlags & StreamOpFlag.OP_MASK;
this.combinedFlags = StreamOpFlag.combineOpFlags(opFlags, previousStage.combinedFlags);
this.sourceStage = previousStage.sourceStage;
if (opIsStateful())
sourceStage.sourceAnyStateful = true;
this.depth = previousStage.depth + 1;
}
複製程式碼如何疊加
在上一步已經在stage中記錄了每一步操作，此時並沒有執行。但是stage只是儲存了當前的操作，並不能確定下一個stage需要何種操作，何種資料，其實JDK為此定義了Sink介面，其中只有begin()、end()、cancellationRequested()、accept()四個介面（如表1-2所示，摘自這裡），其中中間操作的子類中包含一個指向下游sink的指標。
表1-2
現在轉向code_3，可以看出，在satge鏈中，每一步都包含了opWrapSink()。當呼叫終結操作時，將會觸發code_5從最後一個stage（終結操作產生的satge）開始，遞迴產生圖1-4所示的結構。
code_5(AbstractPipeline.wrapSink())
@Override
@SuppressWarnings("unchecked")
final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {
Objects.requireNonNull(sink);
for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
sink = p.opWrapSink(p.previousStage.combinedFlags, sink);
}
return (Sink<P_IN>) sink;
}
複製程式碼
圖1-4
如何執行
所有的操作已經形成了圖1-4的結構，接下來就會觸發code_6，此時結果就會產生對應的結果啦！
code_6(AbstractPipelie.copyInto())
@Override
final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
Objects.requireNonNull(wrappedSink);
if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
wrappedSink.begin(spliterator.getExactSizeIfKnown());
spliterator.forEachRemaining(wrappedSink);
wrappedSink.end();
}
else {
copyIntoWithCancel(wrappedSink, spliterator);
}
}
複製程式碼並行原理
那麼，Stream是如何並行執行的呢？其實產生stage鏈的過程和序列並沒有區別，只是在最終執行時進行了相應的調整，我們將code_1改變為code_7
code_7
public static void main(String[] args) {
List<String> list = Lists.newArrayList(
"bcd", "cde", "def", "abc");
List<String> result = list.stream()
.parallel()
.filter(e -> e.length() >= 3)
//.map(e -> e.charAt(0))
//.peek(System.out :: println)
.sorted()
//.peek(e -> System.out.println("++++" + e))
.map(e -> String.valueOf(e))
.collect(Collectors.toList());
System.out.println("----------------------------");
System.out.println(result);
}
複製程式碼那麼最終產生的stage鏈與sink的結構如圖1-5所示，因為此時stage鏈中有一個有狀態操作（sorted()），也就是說在這裡必須處理完所有元素才能進行下一步操作。那麼此時無論是並行還是序列，此時都會產生兩個sink鏈，也就是代表了兩次迭代，才產生了最終結果。
圖1-5
那麼，究竟是如何並行的呢？其實當呼叫collect操作時會呼叫code_8，其中的evaluateParallel()如code_9所示。
code_8(AbstractPipeline.evaluate())
final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp) {
assert getOutputShape() == terminalOp.inputShape();
if (linkedOrConsumed)
throw new IllegalStateException(MSG_STREAM_LINKED);
linkedOrConsumed = true;
return isParallel()
? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags()))
: terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
}
複製程式碼code_9(ReduceOp.evaluateParallel())
@Override
public <P_IN> R evaluateParallel(PipelineHelper<T> helper,
Spliterator<P_IN> spliterator) {
return new ReduceTask<>(this, helper, spliterator).invoke().get();
}
複製程式碼其實Stream的並行處理是基於ForkJoin框架的，相關類與介面的結構如圖1-6所示。其中AbstractShortCircuitTask用於處理短路操作，其他相關操作類似，會產生對應的Task。
圖1-6
關於code_8中獲取源Spliterator，如code_10所示，
code_10(AbstractPipeline.sourceSpliterator())
@SuppressWarnings("unchecked")
private Spliterator<?> sourceSpliterator(int terminalFlags) {
Spliterator<?> spliterator = null;
if (sourceStage.sourceSpliterator != null) {
spliterator = sourceStage.sourceSpliterator;
sourceStage.sourceSpliterator = null;
}
else if (sourceStage.sourceSupplier != null) {
spliterator = (Spliterator<?>) sourceStage.sourceSupplier.get();
sourceStage.sourceSupplier = null;
}
else {
throw new IllegalStateException(MSG_CONSUMED);
}
if (isParallel() && sourceStage.sourceAnyStateful) {
//如果是並行流並且有stage包含stateful操作
//那麼就會依次遍歷stage，直到遇到stateful stage時
int depth = 1;
for (@SuppressWarnings("rawtypes") AbstractPipeline u = sourceStage, p = sourceStage.nextStage, e = this;
u != e;
u = p, p = p.nextStage) {
int thisOpFlags = p.sourceOrOpFlags;
if (p.opIsStateful()) {
depth = 0;
if (StreamOpFlag.SHORT_CIRCUIT.isKnown(thisOpFlags)) {
//如果有短路操作，則去除相應標記
thisOpFlags = thisOpFlags & ~StreamOpFlag.IS_SHORT_CIRCUIT;
}
//儘量以惰性求值的方式進行操作
spliterator = p.opEvaluateParallelLazy(u, spliterator);
thisOpFlags = spliterator.hasCharacteristics(Spliterator.SIZED)
? (thisOpFlags & ~StreamOpFlag.NOT_SIZED) | StreamOpFlag.IS_SIZED
: (thisOpFlags & ~StreamOpFlag.IS_SIZED) | StreamOpFlag.NOT_SIZED;
}
p.depth = depth++;
p.combinedFlags = StreamOpFlag.combineOpFlags(thisOpFlags, u.combinedFlags);
}
}
if (terminalFlags != 0) {
// Apply flags from the terminal operation to last pipeline stage
combinedFlags = StreamOpFlag.combineOpFlags(terminalFlags, combinedFlags);
}
return spliterator;
}
複製程式碼如何並行執行
關於各個task就行是如何並行執行，其實最終呼叫的是code_11所示，對應的流程如圖1-7所示，其中交替fork子節點是為了緩和資料分片不均造成的效能退化。
code_11(AbstractTask.compute())
@Override
public void compute() {
Spliterator<P_IN> rs = spliterator, ls; // right, left spliterators
long sizeEstimate = rs.estimateSize();
long sizeThreshold = getTargetSize(sizeEstimate);
boolean forkRight = false;
@SuppressWarnings("unchecked") K task = (K) this;
while (sizeEstimate > sizeThreshold && (ls = rs.trySplit()) != null) {
K leftChild, rightChild, taskToFork;
task.leftChild = leftChild = task.makeChild(ls);
task.rightChild = rightChild = task.makeChild(rs);
task.setPendingCount(1);
if (forkRight) {
forkRight = false;
rs = ls;
task = leftChild;
taskToFork = rightChild;
}
else {
forkRight = true;
task = rightChild;
taskToFork = leftChild;
}
taskToFork.fork();
sizeEstimate = rs.estimateSize();
}
task.setLocalResult(task.doLeaf());
task.tryComplete();
}
複製程式碼
圖1-7
影響並行流的因素
資料大小；源資料結構（分割越容易越好），arraylist、陣列比較好，hashSet、treeSet次之，linked最差；裝箱；核的數量（可使用）；單元處理開銷（越大越好）
建議：
終結操作以外的操作，儘量避免副作用，避免突變基於堆疊的引用，或者在執行過程中進行任何I/O；傳遞給流操作的資料來源應該是互不干擾（避免修改資料來源）。
小結
本文主要探究了Stream的實現原理，並沒有涉及到具體的流操作的用法（讀者可以參考《java8函數語言程式設計》），並且給出了使用Stream的部分建議。