并行流未必更快，关键取决于数据量、任务类型和底层开销三者组合；小数据量、简单操作（如map/filter）或非线程安全集合易导致parallelStream()反慢。

并行流比串行还慢？先看这三件事

并行流不是“开了就快”，它可能比 stream() 还慢——尤其当你没满足提速的基本条件时。真正决定快慢的，是数据量、任务类型和底层开销三者的实际组合，而不是“用了 parallel 就等于多核加速”。

哪些场景下 parallelStream() 会拖后腿

常见错误现象：把 ArrayList 转成 parallelStream() 做简单 map 或 filter，结果耗时翻倍。这不是 bug，是设计使然。

• 数据量太小：通常 size 时，fork/join 拆分+合并的开销已盖过并行收益
• 操作非 CPU 密集：比如含 File.readAllBytes()、new URL(...).openConnection() 等 I/O，线程全在等磁盘或网络，再多线程也卡住
• 数据源不支持高效分割：用 LinkedList 或 Stream.generate() 起的流，拆分会退化成遍历前半段再切，实际是伪并行
• 共享状态被误改：在 parallelStream().forEach(...) 里直接往 ArrayList add 元素，结果丢数据或抛 ConcurrentModificationException

怎么判断该不该用 parallelStream()

别猜，用真实负载测。但可以快速排除：如果任务满足以下任意一条，大概率不用并行。

• 单次操作平均耗时
• 集合是 LinkedList、TreeSet、或自定义 Spliterator 未重写 trySplit()
• 收集目标是 Collectors.toList() 但中间有装箱操作（如 Integer::intValue → int 再 → Integer），JVM 会反复触发自动装拆箱，损耗可达 30%+
• 你正在用 ForkJoinPool.commonPool() 执行其他并行任务（比如另一个 parallelStream() 或 CompletableFuture），它们会互相抢线程，导致排队等待

真要用，至少守住这三条底线

并行流不是银弹，是带约束的工具。想让它生效，得主动适配它的脾气。

• 优先选支持随机访问的数据源：ArrayList、数组、IntStream.range()；避开 LinkedList 和流式生成器
• 用 mapToInt()/mapToLong() 替代 map() + 包装类，绕过装箱开销；收集时用 collect(Collectors.toCollection(ArrayList::new)) 而非默认 toList()
• 避免在流中修改外部变量；必须聚合时，用线程安全的收集器，比如 Collectors.toConcurrentMap() 或 Collectors.groupingByConcurrent()
• 若需精细控制并发度，别硬塞进 commonPool，显式构造 ForkJoinPool 并传入 parallelStream().collect(...) 的第三个参数

最容易被忽略的点：并行流的“快”，只对特定形状的任务成立——它不解决算法复杂度，不掩盖 I/O 瓶颈，也不自动帮你管好内存和锁。一旦数据或操作偏离了那个窄窄的甜区，它就只是多开了几个线程，干等或者互相挡路。