空间换时间-五秒出解：从900ms到5ms的幕后优化大揭秘！
探索数据操作的效率是软件开发中的一项重要任务。开发中遇到了Java中的ArrayList和removeAll方法，意外发现当面对大量数据时，其执行效率可能会让人瞠目结舌，高达900毫秒以上！然而，通过一系列分析和优化实验，我成功将执行时间从900ms优化到令人惊叹的5ms以内。
平时各种数据结构，各种算法优化都在储备，但是实际开发时一般情况下真的不会使用，就比如今天的这个场景：
RV 中按照折叠方式展示数据，但是数据量较大，且数据关系层级不明显，所以考虑使用RV多布局实现，然后在折叠层中进行打开关闭操作，由于折叠时的数据巨大，如果进行RV item中的折叠动作的话会发生渲染问题。所以直接简单粗暴从目标集合中删除需要折叠的 然后打开时再进行添加，在这个想法之下，引出了这个问题：
一、removeAll 导致UI卡顿
查看发现卡顿的来源就是removeAll 时的耗时，从目标集合中移除3000个元素，耗时差不多900ms.
一开始同事和同事讨论时以为是RV的渲染导致的卡顿，随即有同事指出RV的显示机制在多布局的模式下其实不会存在渲染卡顿的（这就是人多力量大的典范哈），然后测试发现是移除数据时，耗时导致的。
具体步骤大概是这样：
// 1. 测试数据，由于测试数据比较简单，耗时会比业务中的实际数据低很多
ArrayList<Demo> list = new ArrayList<>();
for (int i = 0; i < 100000; i++) {
list.add(new Demo("index=", i));
}
long start = System.currentTimeMillis();
List<Demo> demos = new ArrayList<>(list.subList(1000, 4000));
list.removeAll(demos);
System.out.println("用时 " + (System.currentTimeMillis() - start));
上述代码结果：
这样看来并不是什么耗时的操作，但是结合上面的使用场景，是在更新RV时进行的数据处理，那157ms 足以导致掉帧卡顿，毕竟我们有16.6ms 的刷新机制限制，在业务中数据较大时，我们测试直接呈现出来了900多ms
二、分析一下removeAll 为什么会有这么多的耗时？
要是有不知道怎么分析时间复杂度的可以看下我之前的一个文章 # 算法-时间复杂度分析 。
在此处，我们要分析removeAll 的时间复杂度，第一步先看下方法的签名
boolean removeAll(Collection<?> c)
通过这个方法签名我们大致可以推断出影响removeAll 方法的时间复杂度的因素主要有两个：
- 要移除的元素数量
- 底层数据结构的实现
底层数据结构是基于数组实现的动态数组
假设要移除的元素数量为n
如果要移除的集合
c是空集合，那么无需执行任何移除操作，直接返回，时间复杂度为 O(1)。
(1) 遍历A
判断B.contains(A[i])
若不包含，则 A[w] = A[i] w从0递增
(2) 遍历完成则将 A[w]往后部分置为 null
(3) 看下上面(1)的B.contains(A[i])的逻辑：
遍历B，一个个匹配，匹配到则返回B的index
简单来讲，两层循环时间复杂度就是O（n*m），如果ArrayList的大小为m，参数c的大小为c，且c < m，则在最坏情况下（即c中的所有元素都存在于ArrayList中），总的时间复杂度为O(m^2)
这就是平方级的时间复杂度。看来要解决此问题，就需要寻找其他方案
三、使用linkeList
对于删除操作，链表肯定是具备先天优势的，但是使用后发现, 时间有提升，但是效果不大，查看代码发现：
public boolean removeAll(Collection c) {
Objects.requireNonNull(c);
boolean modified = false;
Iterator it = iterator();
while (it.hasNext()) {
if (c.contains(it.next())) {
it.remove();
modified = true;
}
}
return modified;
}
它是循环使用next 取，完后remove 的，那效果自然也不行，但是如果我们自定义链表，直接修改删除区间集合的指针，倒是一个完美的解决方案，但是自定义数据结果，在业务中使用风险太大。
四、利用hashSet 解决
上面的耗时基本是来自两个方面
- 遍历
- 遍历 + 移动元素
那我们可以优先从遍历入手，大家都知道Hash 的查询时间是O(1), 这样的话用hash和LinkedList 就能更进一步优化耗时了
看下代码：
public static <T> List<T> removeAll(List<T> source, List<T> target) {
LinkedList<T> result = new LinkedList<>();
HashSet<T> hashSet = new HashSet<>(source);
for (T t : source) {
if (!hashSet.contains(t)) {
result.add(t);
}
}
return result;
}
从source列表中移除与target列表中相同的元素，并将移除后的结果存储在一个新的列表中返回,以达到我们想要的效果，
在当时的业务中也是优化到了100ms 以内。
但是这个方式还存在一个弊端，当source非常大，target 又比较小时、或者都非常大时，还是会存在耗时。
五、利用空间换时间
我们在学习算法的时候，大家都听过一句话，算法优化基本就是时间换空间或者空间换时间，当我们需要确定一个参数优化到极致时，我们就可以在另一个方向上做优化。
我们验证一下：
思路是这样的，我们直接反取目标数据，
比如，从10万条数据中删除第1000到3000 的数据，那我们可以反取数据，取出0到999生成一个新集合，再取3001到10万为一个集合，最后再将二者的数据合并，加到目标集合中。
public static void main(String[] args) {
ArrayList<Demo> list = new ArrayList<>();
for (int i = 0; i < 100000; i++) {
list.add(new Demo("index=", i));
}
long start = System.currentTimeMillis();
// 创建集合
ArrayList<Demo> demos1 = new ArrayList<>(list.subList(0, 999));
ArrayList<Demo> demos2 = new ArrayList<>(list.subList(1000, list.size() - 1));
// removeAll(list, demos);
list.clear();
list.addAll(demos1);
list.addAll(demos2);
System.out.println("用时 " + (System.currentTimeMillis() - start));
}
在我们业务中，从900ms 优化到5ms, 效果是非常不错的，并且复杂数据测试的规模是10万中删除3000，基本满足大型列表删除场景了。
六、总结
为什么要写这个记录，都是一个非常简单的场景及使用方式，但是从发现这个问题到思考怎么解决却是一次算法学习的实际应用。我们在开发中，不会经常使用算法，但是像这种问题，我们可以用算法的角度去分析优化，这大概就是算法学习的意义