Map-Reduce DSL与Parallelizer类的xxxParallel方法族目的一样。但在多个并行方法连续作用于同一集合时，Map-Reduce执行效率就相当高了。

GPars（2）：并发集合之Parallelizer一文中介绍的xxxParellel方法与其对应的非并行方法是对等体，也就是说，每次方法调用之后的返回的集合是普通Groovy集合（比如collectParallel()与collect()的返回结果是一致的，只是并行与非并行处理的区别）。在并行执行完所需操作并返回结果之前，所构造的Parallel Array会被销毁，变成普通集合。因此，如果要对同一集合连续运用并行方法时，需要反复构造、销毁Parallel Array。

Map/Reduce则不同，把集合变成Parallel Array的过程只会进行一次，当然也只需销毁一次。在连续使用Map/Reduce方法时，直接传递的是内部Parallel Array，这样效率就大大提高了。例如，下例是并发计算所有URL访问结果中包含GROOVY词语（按空格分隔）的数目（一条词语中有多个"Groovy"的只计一次）：

import groovyx.gpars.Parallelizer
Parallelizer.doParallel{
    def urls=["http://groovy.codehaus.org","http://www.google.com"]
    println 'Number of occurrences of the word GROOVY today: ' 
           + urls.parallel
            .map {it.toURL().text.toUpperCase()}
            .filter {it.contains('GROOVY')}
            .map{it.split()}
            .map{it.findAll{word -> word.contains 'GROOVY'}.size()}
            .sum()
}

运行结果是：

Number of occurrences of the word GROOVY today: 153

注意：运行结果会随网站内容的变化而变化，所以你运行的结果不等于153也是合理的。

Map/Reduce方法列表如下（参见groovyx.gpars.ParallelCollection类）：

• map()
• reduce()
• filter()
• size()
• sum()
• min()
• max()

若要返回普通Groovy集合实例，只需使用collection属性即可

import groovyx.gpars.Parallelizer
Parallelizer.doParallel{
    def myNumbers = (1..1000).parallel
                             .filter{it % 2 == 0}
                             .map{Math.sqrt it}
                             .collection
}

本系列的其他文章：

• GPars（1）：入门
• GPars（2）：并发集合之Parallelizer