Flux parallèles : performances et pièges
Activez les flux parallèles, comprenez le pool de threads commun et évitez les erreurs liées à un état mutable partagé.
Flux parallèles : performances et pièges est une leçon Java Academy gratuite sur CoddyKit. Ceci est la leçon 2 sur 4. Tu peux lire la leçon complète ci-dessous gratuitement — puis la pratiquer en direct dans le navigateur avec un éditeur de code intégré et un tuteur IA 24/7. Elle fait partie du parcours d'apprentissage Java Academy, et ta progression se synchronise sur le web et l'application CoddyKit. Le cours Java Academy comprend 4 leçons au total.
Activation des flux parallèles
Appelez .parallel() sur n’importe quel flux ou utilisez Collection.parallelStream(). Les opérations du flux s’exécutent dans le ForkJoinPool commun (par défaut : nombre de cœurs du CPU moins 1).
long count = list.parallelStream()
.filter(n -> n % 2 == 0)
.count();
System.out.println(count);Quand le parallélisme est avantageux
Les flux parallèles sont intéressants lorsque : l’ensemble de données est volumineux (100 000 éléments ou plus), le traitement de chaque élément est coûteux en calcul et la chaîne de traitement est sans état et indépendante de l’ordre.
// Good candidate: CPU-heavy computation on large dataset
long sum = LongStream.rangeClosed(1, 10_000_000)
.parallel()
.filter(n -> isPrime(n))
.sum();
System.out.println(sum);Quand NE PAS utiliser les flux parallèles
Évitez les flux parallèles pour les petites collections, les opérations limitées par les E/S (elles bloquent les fils d’exécution du ForkJoinPool), les opérations avec état (tri, suppression des doublons), ou lorsque l’ordre compte et qu’il est coûteux à rétablir.
// Bad: I/O bound — blocking ForkJoinPool threads starves other tasks
List<String> result = urls.parallelStream()
.map(url -> httpGet(url)) // BLOCKS the common pool
.collect(Collectors.toList());Erreur due à un état mutable partagé
Les flux parallèles exécutent les opérations sur plusieurs fils d’exécution simultanément. Modifier une collection mutable partagée provoque des courses aux données et des résultats incorrects.
// RACE CONDITION — never do this:
List<Integer> results = new ArrayList<>(); // not thread-safe
numbers.parallelStream().forEach(n -> results.add(n)); // corrupts list!
// Fix:
List<Integer> safe = numbers.parallelStream().collect(Collectors.toList());Opérations avec état : tri et dédoublonnage
sorted() et distinct() nécessitent de voir tous les éléments avant de produire la sortie, ce qui limite le parallélisme et rend souvent l’exécution parallèle plus lente que l’exécution séquentielle.
// sorted() forces collect-all, then sort — parallel overhead usually not worth it:
list.parallelStream().sorted().collect(Collectors.toList());Opérations sensibles à l’ordre
findFirst() et forEachOrdered() conservent l’ordre de rencontre dans les flux parallèles, ce qui ajoute un coût de synchronisation. Utilisez findAny() ou forEach() lorsque l’ordre n’a pas d’importance.
// Faster in parallel (order-insensitive):
Optional<Integer> any = list.parallelStream().filter(n -> n > 10).findAny();
// Slower in parallel (must preserve order):
Optional<Integer> first = list.parallelStream().filter(n -> n > 10).findFirst();Choisir la taille du groupe de fils d’exécution
Le ForkJoinPool commun utilise Runtime.getRuntime().availableProcessors() - 1 fils d’exécution. Exécutez des flux parallèles dans un groupe personnalisé en les soumettant dans un appel à ForkJoinPool.invoke().
ForkJoinPool custom = new ForkJoinPool(8);
long result = custom.submit(
() -> LongStream.rangeClosed(1, 1_000_000).parallel().sum()
).get();Évaluer les performances du parallélisme par rapport au séquentiel
Évaluez toujours les performances avec JMH sur des tailles de données réalistes. Le surcoût du parallélisme (partitionnement, coordination des fils d’exécution, combinaison) n’est justifié que lorsque le temps de calcul est très supérieur à ce surcoût.
@Benchmark
public long sequential() { return LongStream.rangeClosed(1,1_000_000).sum(); }
@Benchmark
public long parallel() { return LongStream.rangeClosed(1,1_000_000).parallel().sum(); }Opérations de réduction en parallèle
reduce() et collect() sont conçues pour fonctionner correctement en parallèle lorsque les opérations sont associatives et que la valeur neutre est correcte.
// Associative reduce — safe in parallel:
int sum = list.parallelStream().reduce(0, Integer::sum);
// Non-associative: subtraction — NOT safe in parallel:
int bad = list.parallelStream().reduce(0, (a, b) -> a - b); // wrong result!La capacité à être partitionné est importante
Les flux parallèles partitionnent la source de données à l’aide de Spliterator. ArrayList et les tableaux se partitionnent en O(1) ; LinkedList et HashSet se partitionnent mal, ce qui réduit l’efficacité du parallélisme.
Résumé : liste de contrôle des flux parallèles
Avant d’utiliser le parallélisme : (1) ensemble de données volumineux, (2) opérations limitées par le CPU, (3) aucun état mutable partagé, (4) insensibilité à l’ordre, (5) source partitionnable (tableau/ArrayList). En cas de doute, mesurez les performances.
Vérification rapide
Que se passe-t-il lorsque vous ajoutez un élément à une collection qui n’est pas sûre vis-à-vis des accès concurrents dans un flux parallèle avec forEach ?
Récapitulatif
Les flux parallèles utilisent ForkJoinPool. Ils sont efficaces pour les ensembles volumineux, les calculs limités par le CPU, les traitements indépendants de l’ordre et les chaînes de traitement sans état. Ne modifiez jamais un état partagé. Mesurez les performances avant de vous engager : le parallélisme est souvent plus lent avec de petites quantités de données.
Questions Fréquemment Posées
La leçon « Flux parallèles : performances et pièges » est-elle gratuite ?
Oui — le texte complet de « Flux parallèles : performances et pièges » est gratuit à lire ici sur le web. Pour la pratiquer de manière interactive (un éditeur de code intégré et un tuteur IA 24/7) et déverrouiller le reste du cours Java Academy, passe à CoddyKit PRO. Le cours Java Academy comprend 4 leçons au total.
Qu'est-ce que j'apprendrai dans « Flux parallèles : performances et pièges » ?
Activez les flux parallèles, comprenez le pool de threads commun et évitez les erreurs liées à un état mutable partagé. Tu pratiques Java Academy avec du code pratique que tu exécutes directement dans le navigateur, et un tuteur IA 24/7 répond à tes questions au fur et à mesure que tu avances dans la leçon.
Dois-je avoir de l'expérience pour commencer Java Academy ?
Aucune expérience préalable n'est requise. Java Academy sur CoddyKit est structuré pour les débutants jusqu'aux apprenants avancés, donc tu peux commencer ici ou depuis le début et avancer à ton rythme. Ceci est la leçon 2 sur 4.
Combien de temps prend la leçon « Flux parallèles : performances et pièges » ?
La plupart des leçons CoddyKit prennent environ 5–10 minutes. Chacune est courte et interactive, tu progresses régulièrement et tu repiques exactement où tu t'es arrêté sur le web et l'app.
Peux-tu écrire et exécuter du code dans cette leçon Java Academy ?
Oui. Chaque leçon Java Academy inclut un éditeur de code intégré, tu écris et exécutes du vrai code directement dans ton navigateur et tu reçois des retours IA instantanés — aucune configuration locale requise.
Toutes les leçons de ce cours
- flatMap pour les collections imbriquées
- Flux parallèles : performances et pièges
- Spliterator : division pour le parallélisme
- Flux infinis avec iterate et generate