#coding4fun#词频统计优化思路

关于这期的coding4fun，我选择的是hashmap方式实现。整体思路和流程大家可能都差不多，C++同学们的总结写的很好，一些逻辑优化都有总结，我这里介绍下java实现的一些优化吧。

使用ByteString代替String

开始读出文件转成String对象，然后通过String对象操作，代码写起来都比较方便。

但是有一个问题，文件读取出来的byte[]转成String对象非常耗时，一个1G的String对象分配内存时间就很长了，String对象内部使用char[]，通过byte[]构造String对象需要根据编码遍历byte[]。这个过程非常耗时，肯定是可以优化的。

于是我使用ByteString类代替String

class ByteString{
    byte[] bs;
    int start;
    int end;
}

hashcode()和equals()方法参考String的实现。

在code4fun的16核机器上测试如下代码：

代码1：

byte[] bs = new byte[1024*1024*1024];
long st = System.currentTimeMillis();
new String(bs);
System.out.println(System.currentTimeMillis() - st);  // 2619ms

代码2：

byte[] bs = new byte[1024*1024*1024];
long st = System.currentTimeMillis();
int count = 100000;
for(int i = 0; i < count; i++)
   new ByteString(bs, 0, 100);
System.out.println(System.currentTimeMillis() - st);  //10ms

循环中代码要精简

Hashmap的实现，给单词计数时避免不了如下的代码：

ByteString str = new ByteString(bs, start, end);
Count count = map.get(str);
If(count == null){
  count = new Count(str,1);
  map.put(str,count);
} else{
  count.add(1);
}

本来这段代码没什么问题，但是当单词个数足够大的时候（最终1.1G的文件，有2亿多单词），这段代码就值得优化了。第一行创建的对象，只有单词第一次出现有用，其他时间都可以不用创建。

于是创建一个Pmap类，继承HahsMap，并添加了一个get(ByteString bs, int start, int end)方法。上面的代码改为

Count count = map.get(bs, start, end);
If(count == null){
  ByteString str = new ByteString(bs, start, end);
  count = new Count(str,1);
  map.put(str,count);
} else{
  count.add(1);
}

能避免锁就不用锁，不能避免就减小范围

concurrentHashMap的实现固然精妙，只是能不用锁尽量不用，实在用的时候，尽量减少范围。CAS的方式虽然比锁好，但是还是有消耗。

我们使用多线程的方式统计，所以统计结果对象需要线程安全。开始使用AtomicInteger，但是跟count++比起来效率还是差的非常多，单词个数越多越明显。

尝试使用volatile关键字效果也是不理想，然后比不上count++。

最后使用两个字段来解决这个问题：在线程内部统计单词个数时，使用count++方式；到合并环节，单词数已经不多，使用AtomicInteger的方式累加，基本不影响效率。

通过减少锁的范围和锁的次数，来达到提升效率的目标。