并行流基于Fork/Join框架，通过parallelStream()或parallel()实现多线程数据处理，适用于大数据集的filter、map、reduce等操作，但需注意数据量、顺序依赖、共享状态和装箱成本，性能提升需权衡线程开销。
Java中的Parallel Stream（并行流）是Stream API的一部分，它能自动将数据流拆分成多个部分，并在多个线程上并行处理，从而提升处理大量数据时的性能。并行流基于Fork/Join框架实现，使用起来非常简单，只需将普通流转换为并行流即可。
创建并行流
有多种方式可以获取一个并行流：
- 调用集合的 parallelStream() 方法直接获取并行流
- 对已有流调用 parallel() 方法将其转为并行模式
List
// 方式一：使用 parallelStream()
numbers.parallelStream().forEach(n -> System.out.println(n + " 线程: " + Thread.currentThread().getName()));
// 方式二：先获取stream再转为parallel
numbers.stream().parallel().forEach(n -> System.out.println(n));
常见操作示例
并行流支持所有常见的中间和终端操作，如 filter、map、reduce、collect 等，执行过程会自动并行化。
filter + map + collect 并行处理：
List
.filter(n -> n % 2 == 0)
.map(n -> "偶数: " + n)
.collect(Collectors.toList());
int sum = numbers.parallelStream()
.reduce(0, Integer::sum);
注意事项与适用场景
虽然并行流使用方便，但并非在所有情况下都能提升性能，需注意以下几点：
立即学习“Java免费学习笔记（深入）”；
- 数据量要足够大：小数据集使用并行流可能因为线程开销反而更慢
- 避免依赖顺序的操作：并行流不保证处理顺序，forEachOrdered 可保持顺序但牺牲并行性
- 无状态操作更安全：确保 map、filter 等操作不修改共享变量，避免竞态条件
- 装箱成本：基本类型频繁装箱会影响性能，可考虑使用 IntStream、LongStream 的 parallel 版本
自定义并行流的线程池（进阶）
默认并行流使用 ForkJoinPool.commonPool()，可通过反射或运行时参数调整其大小。若需更精细控制，可手动提交任务到自定义的 ForkJoinPool。
示例：使用自定义线程池（间接方式）：
ForkJoinPool customPool = new ForkJoinPool(4);
customPool.submit(() ->
numbers.parallelStream().forEach(n -> {
System.out.println(n + " 执行线程: " + Thread.currentThread().getName());
})
).get();
customPool.shutdown();
基本上就这些。合理使用Parallel Stream可以在处理大批量数据时显著提升效率，关键是理解它的执行机制和适用边界。不复杂但容易忽略细节。
