并行流需满足数据量≥10⁵或≥cpu核数×1000、单元素耗时≥1ms才可能提速；操作须无状态无副作用；优先选用arraylist、数组等高效分割源；按任务类型调优并行度，避免盲目使用。
并行流不是“一开就快”，它通过 ForkJoinPool 把数据分片、多线程并行执行，再合并结果，真正提速需要匹配硬件能力与任务特征。盲目调用 parallelStream() 可能更慢，甚至出错。
数据量和单元素耗时要够“重”
小数据或轻量操作反而拖慢速度：
- 集合元素数建议 ≥ 10⁵（十万级），或至少 ≥ CPU 核心数 × 1000（如 8 核机器，至少 8000 条）；
- 单个元素处理时间最好 ≥ 1ms——比如正则校验、JSON 解析、数值变换等；简单
n % 2 == 0这类操作并行后常变慢； - 低于阈值时，分片、线程调度、结果合并的开销会盖过计算收益。
操作必须无状态、无副作用
并行流不保证执行顺序，也不做同步保护：
- 安全操作：
filter、map、reduce（配合不可变累加器）、collect（用Collectors.toList()或toConcurrentMap()）； - 危险操作：在
forEach中往ArrayList添加元素、更新静态计数器、写日志、调用数据库； - 错误示例：
numbers.parallelStream().filter(...).forEach(list::add)→ 可能丢数据或抛ConcurrentModificationException； - 正确替代：
.collect(Collectors.toList())或 Java 16+ 的.toList()。
选对数据源和基础类型
底层分割效率直接影响并行效果：
- 优先用
ArrayList、数组、IntStream、LongStream——它们有高效Spliterator.trySplit()实现； - 避开
LinkedList、Stream.generate()、自定义未重写分割逻辑的集合——并行时可能退化为串行； - 处理整数/长整型时，用
int[]+Arrays.stream(...).parallel()，比List<integer></integer>+parallelStream()快约 30%～40%，避免装箱拆箱。
按场景调优并行度和线程池
默认 ForkJoinPool.commonPool() 并行度 = CPU 逻辑核数 − 1，未必最优：
- CPU 密集型任务：可设为
Runtime.getRuntime().availableProcessors()； - I/O 等待较多时，不宜直接用 parallelStream，应改用
CompletableFuture配合自定义线程池； - 需隔离资源或精细控制：显式创建
ForkJoinPool，提交并行流任务； - 全局调整（慎用）：
System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "12")。
Java免费学习笔记：立即使用
解锁 Java 大师之旅：从入门到精通的终极指南
