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

前言

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)😆😆😆

正文到此结束
热门推荐
相关文章
评论插件初始化中...
本文目录