6.3　并行化流操作

并行化操作流只需改变一个方法调用。如果已经有一个Stream对象，调用它的parallel方法就能让其拥有并行操作的能力。如果想从一个集合类创建一个流，调用parallelStream就能立即获得一个拥有并行能力的流。

让我们先来看一个具体的例子，例6-1计算了一组专辑的曲目总长度。它拿到每张专辑的曲目信息，然后得到曲目长度，最后相加得出曲目总长度。

例6-1　串行化计算专辑曲目长度

  1. public int serialArraySum() {
  2.     return albums.stream()
  3.                  .flatMap(Album::getTracks)
  4.                  .mapToInt(Track::getLength)
  5.                  .sum();
  6. }

调用parallelStream方法即能并行处理，如例6-2所示，剩余代码都是一样的，并行化就是这么简单！

例6-2　并行化计算专辑曲目长度

  1. public int parallelArraySum() {
  2.     return albums.parallelStream()
  3.                  .flatMap(Album::getTracks)
  4.                  .mapToInt(Track::getLength)
  5.                  .sum();
  6. }

读到这里，大家的第一反应可能是立即将手头代码中的stream方法替换为parallelStream方法，因为这样做简直太简单了！先别忙，为了将硬件物尽其用，利用好并行化非常重要，但流类库提供的数据并行化只是其中的一种形式。

我们先要问自己一个问题：并行化运行基于流的代码是否比串行化运行更快？这不是一个简单的问题。回到前面的例子，哪种方式花的时间更多取决于串行或并行化运行时的环境。

以例6-1和例6-2中的代码为准，在一个四核电脑上，如果有10张专辑，串行化代码的速度是并行化代码速度的8倍；如果将专辑数量增至100张，串行化和并行化速度相当；如果将专辑数量增值10 000张，则并行化代码的速度是串行化代码速度的2.5倍。

6.3　并行化流操作 - 图1本章的对比基准只是为了说明问题，如果读者尝试在自己的机器上重现这些实验，得到的结果可能会跟书中的结果大相径庭。

输入流的大小并不是决定并行化是否会带来速度提升的唯一因素，性能还会受到编写代码的方式和核的数量的影响。6.6节会详述和性能有关的细节，但现在还是再来看一个更复杂的例子吧。