java中如何将嵌套循环性能提高500倍
java中如何将嵌套循环性能提高500倍
转载请注明出处https://www.cnblogs.com/funnyzpc/p/15975882.html
前面
似乎上一次更新在遥远的九月份，按照既定的时间线应该要补5篇博文才对得起这懒惰的半年😑, 近期工作强度虽不大，但也时有烦心的事儿，比如这忽冷忽热的天气、反反复复的疫情、不大不小的房贷、还有我那半死不活的手机，当然咯，手机这月必须得换了，准备xperia 5 Ⅲ或者iPhone SE ，资金若是充裕的话也给老爸换一部(耳机也安排上),各位觉得如何呢；哈哈😄，扯远了，现在就来填一下坑（补一篇博客)。
首先,我面对的问题是：两拨数据都从db抽取到应用(主要是mysql的AP能力太感人了)，在应用里面做嵌套循环处理的时候发现十分的缓慢，看到cnblogs的网友有做优化，遂就顺带就学了一手，似乎是好了许多，但是对于极致性能追求的我怎能就这样马马虎虎地过呢。。。oh不能！！！
现在开始: show me code ~😜
代码及基本业务逻辑
我们是从db抽出两拨数据，两拨数据需要做匹配同时还要配合着配置项计算相关的金额，计算金额无非就是BigDecimal嘛，这里略去哈~ ...下面我就demo出两拨测试数据及最原始的代码逻辑，很简陋哈~😂
oh,对了，我电脑配置为8核16GB 256SSD => MacBook Pro ,所以各位电脑运行效率有差异很正常哈😉
package com.mee.base;
import cn.hutool.core.collection.ConcurrentHashSet;
import org.junit.jupiter.api.Test;
import java.time.Instant;
import java.util.*;
import java.util.concurrent.atomic.AtomicInteger;
public class BigDataLoopTest {
// 简单的业务逻辑代码
@Test
public void test00(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new HashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
for(int i = 0;i<lst_60w.size();i++){
for(int j = 0;j<lst_5w.size();j++){
Integer val = lst_5w.get(j);
if(val%2==0 && lst_60w.get(i).equals(val)){
count.add(val);
System.out.println(val);
// 这里加不加break似乎性能相差无几~
// break;
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
// 60万数据
private List<Integer> build60W(){
List<Integer> lst = new ArrayList<>(600000);
SHOT_STATIC_IT.getAndSet(100000);
for(int i=0;i<600000;i++){
lst.add( genSeq());
}
return lst;
}
// 5万数据
private List<Integer> build5W(){
List<Integer> lst = new ArrayList<>(100000);
SHOT_STATIC_IT.getAndSet(1);
for(int i=100000;i<600000;i++){
int val = genSeq();
if(val%7==0){
lst.add(val);
}
if(lst.size()==50000){
return lst;
}
}
return lst;
}
// 构造数
private static final AtomicInteger SHOT_STATIC_IT = new AtomicInteger(1);
public static int genSeq(){
if(SHOT_STATIC_IT.intValue()>990000){
SHOT_STATIC_IT.getAndSet(1);
}
return SHOT_STATIC_IT.getAndIncrement();
}
}
整体耗时 60.318秒 64.304秒`
以上test00部分即为业务逻辑，不用笑话，写的确实很low哈哈，主要就是比较两拨数据匹配到的打印出来，同时这个数要能被2整除才行~ ，当然接下来的优化主要针对test00进行优化哈～😊
第一波是看得到的优化::去掉不必要的冗余循环+在需要的时候果断break
这是看得到的优化:
@Test
public void test01(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new HashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
for(int i = 0;i<lst_60w.size();i++){
Integer val = lst_60w.get(i);
if(val%2 == 0){
for(int j = 0;j<lst_5w.size();j++){
Integer val2 = lst_5w.get(j);
if(val.equals(val2)){
count.add(val);
System.out.println(val2);
break;
}
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
来，看看效率如何->9.958秒 10.123秒 (为两次执行结果)
wow，太棒了，我们得到了6x左右的优化，赞👍
试想一下，如果我们做一个功能，调用一次，用户需要等待10s,这样合适嘛🙁️，再试试看～
第二波优化::来自博客网友的助攻->内大外小
这里主要方式是将大list放到内层，小list循环放到外层，试试看：
public void test02(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new HashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
for(int j = 0;j<lst_5w.size();j++){
Integer val = lst_5w.get(j);
if(val % 2 == 0) {
for (int i = 0; i < lst_60w.size(); i++) {
if (lst_60w.get(i).equals(val)) {
count.add(val);
System.out.println(val);
break;
}
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
执行时间为=>6.314秒 6.306秒(两次执行结果)
相对于前一次，我们得到了40%的优化,看起来也不错，只是还需要等6s+, 小小的一步。。。听网友说，他们还有其他方案，再试试看～
第三波优化:for循环参数提出循环内+循环参数常量化final
代码示例：
@Test
public void test03(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new HashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
int j;
final int j_len = lst_5w.size();
int i;
final int i_len = lst_60w.size();
for(j = 0;j<j_len;j++){
Integer val = lst_5w.get(j);
if(val % 2 == 0){
for(i = 0;i<i_len;i++) {
if (lst_60w.get(i).equals(val)) {
count.add(val);
System.out.println(val);
break;
}
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
oh,似乎没有明显的优化，而且执行效率也降低了许多哦😯=> 7.382秒 6.376秒(两次执行结果)
ennnn....,java提供的循环方式多种，病急的时候我们会乱投医，尤为盲目的时候。。。
第四波优化：使用for增强方式=>for :
@Test
public void test04(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new HashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
int i;
final int i_len = lst_60w.size();
for(Integer val:lst_5w){
if(val % 2 == 0) {
for (i = 0; i < i_len; i++) {
if (lst_60w.get(i).equals(val)) {
count.add(val);
System.out.println(val);
break;
}
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
它似乎只回到了初次优化的效率=> 6.323秒 6.342秒(两次执行结果) ；此时，我们遗忘了很久的工具它似乎带来了一线光明 😇
第五波优化:并行流多线程=>parallelStream
@Test
public void test05(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
Set<Integer> count = new ConcurrentHashSet<>(lst_5w.size());
long s = Instant.now().toEpochMilli();
final int i_len = lst_60w.size();
lst_5w.parallelStream().forEach(val->{
if(val % 2 == 0){
for(int i = 0;i<i_len;i++) {
if (lst_60w.get(i).equals(val)) {
count.add(val);
System.out.println(val);
break;
}
}
// for(Integer val2:lst_60w){
// if (val2.equals(val)) {
// System.out.println(val);
// break;
// }
// }
}
});
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
执行效率=> 2.61s 2.44s (两次执行结果)
难以置信，它相比以上 整整提高了1倍的效率，当你以为在多线程下洋洋得意的时候，以为它只能在2.5s左右徘徊嘛？？？
NO NO NO。。。。☝️☝️☝️
第六波优化::终极优化之=>HashMap
我想，很多使用java多年的同学都很难想到此，其实一开始我也不知道😂😂😂，只是一个偶然的时间瞟了一眼HashMap的源码 从此发现了天机。。。😈
final code:
public void test06(){
List<Integer> lst_5w = this.build5W();
List<Integer> lst_60w = this.build60W();
final Integer value = 1;
Set<Integer> count = new HashSet<>(lst_5w.size());
HashMap<Integer,Integer> map_60w = new HashMap<>(lst_60w.size(),1);
for(Integer key:lst_60w){
map_60w.put(key,value);
}
long s = Instant.now().toEpochMilli();
for(Integer val:lst_5w){
if(val % 2 == 0) {
Integer val2 = map_60w.get(val);
if (null!=val2 /*&& val2.equals(val)*/) {
count.add(val);
System.out.println(val);
continue;
// break;
}
}
}
System.out.println("匹配到个数"+count.size()+" 耗时"+(Instant.now().toEpochMilli()-s)/1000D+"秒");
}
oh，天。。。它只需要=>0.082秒 0.099秒 0.095秒 (三次执行结果)
我只是试试看的心态，结果着实震撼到我了...0.1s都不需要，不要自行车，不要摩托车，我们只要🚀
最后
>>> 60/0.095
631.578947368421
500x的效率提升，标题着实有点儿保守了，各位不妨在各自电脑上试试看，当然如果您有其他优化思路 麻烦也告知下哈(建设性的更好)😆😆😆
现在是 2022-03-07 21:50 各位晚安😴
