Java8并行流写WordCount,并不简单

2018-02-08 10:27:57来源:oschina作者:温安适人点击

分享

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:

将String转换为Character流,
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
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{
@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{
@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
*/
publicstatic int countWords(Stream stream) {
WordCounterTuplewordCounter = 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 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。
*/
publicstatic int countWordsParallel(Stream stream) {
WordCounterTuplewordCounter = 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 ,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 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trueSpliterator trySplit();//因为它可以把一些元素划出去分给第二个 Spliteratorlong 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{
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 }
@Override
public Spliterator 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 ;splitpos++){//采用折半搜索
if(Character.isWhitespace(needSpliterator.charAt(splitpos))){//如果是空格进行拆分
Spliterator 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 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 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》


最新文章

123

最新摄影

闪念基因

微信扫一扫

第七城市微信公众平台