Java8并行流写WordCount,并不简单


声明:本文转载自https://my.oschina.net/floor/blog/1619644,转载目的在于传递更多信息,仅供学习交流之用。如有侵权行为,请联系我,我会及时删除。

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:

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!

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<T> ,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!

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> { 
   //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<T> 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

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!

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> {    //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<T> 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》

 

 

本文发表于2018年02月07日 16:31
(c)注:本文转载自https://my.oschina.net/floor/blog/1619644,转载目的在于传递更多信息,并不代表本网赞同其观点和对其真实性负责。如有侵权行为,请联系我们,我们会及时删除.

阅读 1930 讨论 2 喜欢 0

抢先体验

扫码体验
趣味小程序
文字表情生成器

闪念胶囊

你要过得好哇,这样我才能恨你啊,你要是过得不好,我都不知道该恨你还是拥抱你啊。

直抵黄龙府,与诸君痛饮尔。

那时陪伴我的人啊,你们如今在何方。

不出意外的话,我们再也不会见了,祝你前程似锦。

这世界真好,吃野东西也要留出这条命来看看

快捷链接
网站地图
提交友链
Copyright © 2016 - 2021 Cion.
All Rights Reserved.
京ICP备2021004668号-1