Java8并行流写WordCount,并不简单

Wesley13
• 阅读 676

节前略闲,看了java8并行流,写个了wordCount。本以为易如反掌,结果却折腾了一下午!

在本文中wordcount是指 以空格作为词的分割符号,统计一个语句中出现的词数

如何用java8并行流写WordCount,我开始的想法是先写个串行流的workcount,之后stream.parallel()将流并行化。

串行流的wordCout,也就是如下3步:

  1. 将String转换为Character流,
  2. 针对每一个char进行判断,如果上一个字符是空格并且当前字符不是空格,则词数加1
  3. 将对每一个流进行汇总, 将所有流中统计的数量进行累加。

有了想法后,就开始写串行流的wordcount了。

定义存储流中间结果的实体。counter用于记录当前流处理过的词数量,lastSpace表示上一个字符是否是空格。

/**
* 用于存储流的中间数据
*/
public class WordCounterTuple {
    private int counter; //用于记录当前词数量
    private boolean lastSpace;//标记上一个词是否是空格

    public WordCounterTuple( boolean lastSpace,int counter) {
        super();
        this.counter = counter;
        this.lastSpace = lastSpace;
    }
    // 省略getter,setter
}

将String转换为Character流,利用IntStream.range(易于拆分)结合String::charAt。而核心的wordcount逻辑使用stream的reduce方法。

stream.reduce的基本逻辑如下:

reduce方法类似:
//子流1:
    U result1 = identity;
     *     for (T element : this stream)
     *         result1 = accumulator.apply(result, element)
     *     return result1;
//子流2:
  U result2 = identity;
     *     for (T element : this stream)
     *         result2 = accumulator.apply(result, element)
     *     return result2;
//合并:
U finalResult=combiner.apply(result1 ,result2 )

具体到wordcount就是:

accumulator对每个字符进行判断,如果上一个字符是空格并且当前字符不是空格,则词数加1。

import java.util.function.BiFunction;
    /**
     * 针对每个char,进行处理
     * 只有,当前char不是空格,上一个char是空格,计数才加1;
     * 之后以当前字符,作为上一个字符,
     * 注这里仅仅标记是否是空格
     */
public class WordCountAccumulator 
         implements BiFunction<WordCounterTuple,Character,WordCounterTuple>{
        @Override
        public WordCounterTuple apply( 
                   WordCounterTuple lastWordCounterTuple,
                   Character currentChar) {
            if(Character.isWhitespace(currentChar)){
                return new WordCounterTuple(true,lastWordCounterTuple.getCounter());
            }else{
                return lastWordCounterTuple.isLastSpace()
                        ?new WordCounterTuple(false,lastWordCounterTuple.getCounter()+1)
                        :new WordCounterTuple(false,lastWordCounterTuple.getCounter());
            }
        }
}

combiner对每个子流的结果进行累加,也就是finalResult=result1.getCounter()+result2.getCounter();

import java.util.function.BinaryOperator;
/**
*合并器,将多个流的的结果进行累加
*/
public class WordCountCombiner implements BinaryOperator<WordCounterTuple>{
    @Override
    public WordCounterTuple apply(WordCounterTuple t, WordCounterTuple u) {        
        return new WordCounterTuple(t.isLastSpace(),t.getCounter()+u.getCounter());
    }
}

整合后coutWords方法如下:

/**
* 使用流的reduce方法执行
*/
public  static int countWords(Stream<Character> stream) {
        WordCounterTuple  wordCounter = stream.reduce(
                new WordCounterTuple( true,0),
                new WordCountAccumulator(),
                new WordCountCombiner());
            System.out.println(wordCounter.getCounter());
            return wordCounter.getCounter();
}

之后测试下,这里我们使用的测试语句是Taylor Swift《...Ready For It?》的小部分歌词

public class WordCount {
    //Taylor Swift《...Ready For It?》
    static final String SENTENCE_36 = "Knew he was a killer first time that I saw him "+//11
" Wonder how many girls he had loved and left haunted "+//10
" But if he's a ghost then I can be a phantom "+//11
" Holdin' him for ransom ";//4

    public static void main(String[] args) {
//        //串行流
//        //将String,映射为Character流
        Stream<Character> charStream=IntStream.range(0,SENTENCE_36.length())
.mapToObj(SENTENCE_36::charAt);
        WordCount.countWords(charStream);
    }
}

运行结果为:

Java8并行流写WordCount,并不简单

运行结果与预期的一致。

理论上,只要将countWords中的stream.reduce变为 stream.parallel().reduce(...),并行流就写好了。而实际上并没有!

按照预期写的并且wordcount方法。

/**
* 统计字符的并行方法。
*/
public  static int countWordsParallel(Stream<Character> stream) {
        WordCounterTuple  wordCounter = stream.parallel().reduce(
                new WordCounterTuple( true,0),
                new WordCountAccumulator(),
                new WordCountCombiner());
            System.out.println(wordCounter.getCounter());
            return wordCounter.getCounter();
}

运行下看看结果,没有报错,但是运行结果竟然不是36 而是41!

Java8并行流写WordCount,并不简单

到底是哪里错了呢??? 我抓耳挠腮,也没有什么想法,仅能根据多年经验

当一个bug出现,而你有没有可行办法,不妨了解原理,进一步分析。

---温安适20180207

为了了解原理,我查看了大量网上文章,并行流的底层,fork/join框架,这个框架简单说就是:

一个把大任务分割成若干个小任务,最终汇总每个小任务结果后得到大任务结果的框架。

                                                                                                                    ---温安适20180207

了解了原理后我怀疑到是拆分出来问题,但需要进一步获取细节,查看IntStream.range的源码,发现一个RangeIntSpliterator类,从名称上分析是Int类型范围分割器。

//IntStream 的range方法,也是生成流的入口

 public static IntStream range(int startInclusive, int endExclusive) {
        if (startInclusive >= endExclusive) {
            return empty();
        } else {
            return StreamSupport.intStream(
                    new Streams.RangeIntSpliterator(startInclusive, endExclusive, false), false);
        }
    }

一路追溯 RangeIntSpliterator的父接口到java.util. Spliterator ,这个接口的注释有如下:

An object for traversing and partitioning elements of a source. The source of elements covered by a Spliterator could be, for example, an array, a{@link Collection}, an IO channel, or a generator function.

A Spliterator may also partition off some of its elements (using {@link #trySplit}) as another Spliterator, to be used in possibly-parallel operations

这段注释的大概意思是:

Spliterator将源中元素进行转换和分区,源可以是数组,集合,IO channel,生成器等。

一个Spliterator 可以使用trySplit方法生成一个新的Spliterator,用于支持的并行操作。

看来,RangeIntSpliterator.trySplit就是我要找的分割任务的实现了,参阅其源码如下:

@Override

public Spliterator.OfInt trySplit() {

     long size = estimateSize();

     return size <= 1? null

            // Left split always has a half-open range

            : new RangeIntSpliterator(from, from = from + splitPoint(size), 0);

}

private int splitPoint(long size) {

   int d = (size < BALANCED_SPLIT_THRESHOLD) ? 2 :

                                     RIGHT_BALANCED_SPLIT_RATIO;

        // Cast to int is safe since:

       // 2 <= size < 2^32

      // 2 <= d <= 8

   return (int) (size / d);

}

简单说:

RangeIntSpliterator对拆分的数进行判断,小于2^24,进行折半查分,否则按1/8进行查分。

我们的SENTENCE_36.length 远小于2^24,进行了折半拆分。

尝试模拟折半拆分的第一步,如下图,and拆分了成了2个词!即一个词被拆分为多个词了!

Java8并行流写WordCount,并不简单

看来只能自己定义一个按空格拆分的Spliterator了。再写Spliterator之前,我对这个接口进行了进一步的了解。

Spliterator接口包含如下:4个核心方法

public interface Spliterator
   //T 遍历的元素的类型
   boolean tryAdvance(Consumer<? super T> action);
   //类似Iterator ,如果还有元素返回true
   Spliterator trySplit();//因为它可以把一些元素划出去分给第二个 Spliterator
   long estimateSize();//估计还剩下多少元素要遍历,约准确划分越均匀
   int characteristics();//对接口的特性描述,详见表格1
}

表1characteristics说明

特性

含义

ORDERED

元素有既定的顺序(例如 List ),

因此 Spliterator 在遍历和划分时也会遵循这一顺序

DISTINCT

遍历的元素是去重的

SORTED

遍历的元素按照一个预定义的顺序排序

SIZED

该 Spliterator 由一个已知大小的源建立(例如 Set ),

因此 estimatedSize() 返回的是准确值

NONNULL

遍历的元素不能为null

IMMUTABLE

Spliterator 的数据源不能修改。

即遍历时不能添加、删除或修改任何元素

CONCURRENT

该 Spliterator 的数据源可以被其他线程同时

修改而无需同步

SUBSIZED

该 Spliterator 和所有从它拆分出来的

Spliterator 都是 SIZED

也就是我需要,关注trySplit方法,我准备依据折半拆分,但是只有遇到空格才拆分,并且30个字符就不进行拆分了。trySplit方法中返回null,即代表不再拆分了。自定义的拆分器如下:

import java.util.Spliterator;
import java.util.function.Consumer;
/**
 *    对字符进行分割的方式
 */
public class WorkCountSpliterator implements Spliterator<Character>{

    private String needSpliterator;
    private int currentCharAt;

    public WorkCountSpliterator(String needSpliterator) {
        super();
        this.needSpliterator = needSpliterator;
    }

    @Override
    public boolean tryAdvance(Consumer<? super Character> action) {
        action.accept(needSpliterator.charAt(currentCharAt++));
        return currentCharAt<needSpliterator.length();
    }

    @Override
    public Spliterator<Character> trySplit() {
        int remainSize=needSpliterator.length()-currentCharAt;
        if(remainSize<30){//剩余字符串小于30,进行串行处理,不再生产子拆分器
            return null;
        }
        for(int splitpos=currentCharAt+remainSize/2
                ;splitpos<needSpliterator.length()
                ;splitpos++){//采用折半搜索
            if(Character.isWhitespace(needSpliterator.charAt(splitpos))){//如果是空格进行拆分
                Spliterator<Character> subCountSpliterator= 
                 new WorkCountSpliterator(needSpliterator.substring(currentCharAt,splitpos)); 
                currentCharAt=splitpos;//向前推进缩小范围
                System.out.println("拆分了:"+subCountSpliterator);
                return subCountSpliterator;
            }
        }
        return null;
    }

    @Override
    public String toString() {
        return "WorkCountSpliterator [needSpliterator="
              + needSpliterator + ", currentCharAt=" + currentCharAt + "]";
    }

    @Override
    public long estimateSize() {
        return needSpliterator.length()-currentCharAt;
    }

    @Override
    public int characteristics() {
        return ORDERED | SIZED | SUBSIZED | NONNULL | IMMUTABLE;
    }
}

按照上述代码,其拆分过程应该如下图

Java8并行流写WordCount,并不简单

之后就是调用新写好的拆分器了,StreamSupport可以用自定义拆分器生成流,修改后的调用代码如下:

public static void main(String[] args) {
        //并行流
        WorkCountSpliterator spliter=new WorkCountSpliterator(SENTENCE_36);
        Stream<Character> stream = StreamSupport.stream(spliter, true);
        WordCount.countWordsParallel(stream);
    }

运行结果为36终于对了。不容易啊,又是看原理,又是看源码,还自己写了一个拆分器,终于搞定java8并行流的WordCount了,并不简单啊!

Java8并行流写WordCount,并不简单

划重点:

  • 内部迭代让你可以并行处理一个流,而无需在代码中显式使用和协调不同的线程

  • 分支/合并框架让你得以用递归方式将可以并行的任务拆分成更小的任务,在不同的线程上执行,然后将各个子任务的结果合并起来生成整体结果。

  • Spliterator 定义了并行流如何拆分它要遍历的数据

    public interface Spliterator {

    //T 遍历的元素的类型

    boolean tryAdvance(Consumer<? super T> action);

    //类似Iterator ,如果还有元素返回true

    Spliterator trySplit();//因为它可以把一些元素划出去分给第二个 Spliterator

    long estimateSize();//估计还剩下多少元素要遍历,约准确划分越均匀

    int characteristics();//对接口的特性描述,详见表格1

    }

参考文献:

《java 8 in action》

点赞
收藏
评论区
推荐文章
blmius blmius
3年前
MySQL:[Err] 1292 - Incorrect datetime value: ‘0000-00-00 00:00:00‘ for column ‘CREATE_TIME‘ at row 1
文章目录问题用navicat导入数据时,报错:原因这是因为当前的MySQL不支持datetime为0的情况。解决修改sql\mode:sql\mode:SQLMode定义了MySQL应支持的SQL语法、数据校验等,这样可以更容易地在不同的环境中使用MySQL。全局s
待兔 待兔
5个月前
手写Java HashMap源码
HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程HashMap的使用教程22
Wesley13 Wesley13
3年前
Java日期时间API系列31
  时间戳是指格林威治时间1970年01月01日00时00分00秒起至现在的总毫秒数,是所有时间的基础,其他时间可以通过时间戳转换得到。Java中本来已经有相关获取时间戳的方法,Java8后增加新的类Instant等专用于处理时间戳问题。 1获取时间戳的方法和性能对比1.1获取时间戳方法Java8以前
Wesley13 Wesley13
3年前
Java8实战
第1章为什么要关心Java81.1Java怎么还在变  1.1.1Java在编程语言生态系统中的位置  1.1.2流处理     流是一系列数据项,一次只生成一项  1.1.3用行为参数化把代码传递给方法  1.1.4并行与共享的可变数据  1.1.5Java需要演变1.2Java中
Wesley13 Wesley13
3年前
Java工作流引擎
1.关键字工作流开发框架权限设计、用户组、岗位、集团模式应用.java工作流程引擎,.net工作流引擎,工作流开发框架1.相关的表结构\相关组织\表结构。SELECTNo,Name,ParentNoFROMport\_dept;  部门。SELECTNo,Name,Adminer,AdminerNam
Easter79 Easter79
3年前
Tomcat 应用中并行流带来的类加载问题
本文首发于vivo互联网技术微信公众号 链接:https://mp.weixin.qq.com/s/fX3n9cvDyU5f5NYH6mhxQ(https://www.oschina.net/action/GoToLink?urlhttps%3A%2F%2Fmp.weixin.qq.com%2Fs%2FfX3n9cvDyU5f5N
Stella981 Stella981
3年前
C#对象序列化(Serialize)与反序列化(Deserialize)
.NET框架提供了两种种串行化的方式:1、是使用BinaryFormatter进行串行化;2、使用XmlSerializer进行串行化。第一种方式提供了一个简单的二进制数据流以及某些附加的类型信息,而第二种将数据流格式化为XML存储。可以使用\Serializable\属性将类标志为可序列化的。如果某个类的元素不想被序列化,1、可以使用\Non
Easter79 Easter79
3年前
Trident API(翻译)
TridentAPIOverviewTrident的核心数据模型是“流”(Stream),进行数据处理的时候,将数据作为一系列的batch(批)来进行。流被分割成多个partition分布在集群中的不同节点上来运行,而且对流的操作也是在流的各个partition上并行运行的。Trident中有五类操作
javalover123 javalover123
1年前
spring boot使用Java并行流发送kafka消息报错
springbootmavenplugin打包,使用Java并行流多线程发送kafka消息,刚开始发送时报错,Invalidvalueorg.apache.kafka.common.serialization.StringSerializerforconfigurationkey.serializer:Classorg.apache.kafka.common.serialization.StringSerializercouldnotbefound.
javalover123 javalover123
1年前
Java并行流指北
Java并行流,方便了并发操作,但是不注意可能会导致问题。如最大线程数,怎么控制并发数,类加载器,线程上下文变化,ForkJoinPool的execute、submit、invoke方法的区别等。