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RVitem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=newArrayList<>();for(inti=0;i<100000;i){list.add(newDemo("index=",i));}longstart=System.currentTimeMillis();List<Demo>demos=newArrayList<>(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

booleanremoveAll(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：

1. 要移除的元素数量
2. 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：

publicbooleanremoveAll(Collection<?>c){Objects.requireNonNull(c);booleanmodified=false;Iterator<?>it=iterator();while(it.hasNext()){if(c.contains(it.next())){it.remove();modified=true;}}returnmodified;}

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

1. 遍历
2. 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：

publicstatic<T>List<T>removeAll(List<T>source,List<T>target){LinkedList<T>result=newLinkedList<>();HashSet<T>hashSet=newHashSet<>(source);for(Tt:source){if(!hashSet.contains(t)){result.add(t);}}returnresult;}

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。

publicstaticvoidmain(String[]args){ArrayList<Demo>list=newArrayList<>();for(inti=0;i<100000;i){list.add(newDemo("index=",i));}longstart=System.currentTimeMillis();//创建集合ArrayList<Demo>demos1=newArrayList<>(list.subList(0,999));ArrayList<Demo>demos2=newArrayList<>(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