Kinerja Kerangka Pemetaan Java

1. Pendahuluan

Membuat aplikasi Java yang besar yang terdiri dari beberapa lapisan memerlukan penggunaan beberapa model seperti model persistensi, model domain atau yang disebut DTO. Menggunakan beberapa model untuk lapisan aplikasi yang berbeda akan meminta kami menyediakan cara pemetaan antar biji.

Melakukan ini secara manual dapat dengan cepat membuat banyak kode boilerplate dan menghabiskan banyak waktu. Beruntung bagi kami, ada beberapa kerangka kerja pemetaan objek untuk Java.

Dalam tutorial ini, kita akan membandingkan performa framework pemetaan Java yang paling populer.

2. Kerangka Pemetaan

2.1. Dozer

Dozer adalah kerangka kerja pemetaan yang menggunakan rekursi untuk menyalin data dari satu objek ke objek lainnya . Kerangka kerja tidak hanya dapat menyalin properti di antara kacang, tetapi juga dapat secara otomatis mengonversi berbagai jenis.

Untuk menggunakan kerangka Dozer kita perlu menambahkan ketergantungan tersebut ke proyek kita:

 com.github.dozermapper dozer-core 6.5.0 

Informasi selengkapnya tentang penggunaan kerangka Dozer dapat ditemukan di artikel ini.

Dokumentasi kerangka kerja dapat ditemukan di sini.

2.2. Orika

Orika adalah kerangka kerja pemetaan kacang ke kacang yang secara rekursif menyalin data dari satu objek ke objek lainnya .

Prinsip umum kerja Orika mirip dengan Dozer. Perbedaan utama antara keduanya adalah kenyataan bahwa Orika menggunakan generasi bytecode . Hal ini memungkinkan pembuatan pembuat peta yang lebih cepat dengan overhead yang minimal.

Untuk menggunakannya,kita perlu menambahkan ketergantungan seperti itu ke proyek kita:

 ma.glasnost.orika orika-core 1.5.4 

Informasi lebih rinci tentang penggunaan Orika dapat ditemukan di artikel ini.

Dokumentasi kerangka kerja yang sebenarnya dapat ditemukan di sini.

2.3. MapStruct

MapStruct adalah generator kode yang menghasilkan kelas mapper kacang secara otomatis.

MapStruct juga memiliki kemampuan untuk mengkonversi antara tipe data yang berbeda. Informasi lebih lanjut tentang cara menggunakannya dapat ditemukan di artikel ini.

Untuk menambahkan MapStructke proyek kami, kami perlu menyertakan ketergantungan berikut:

 org.mapstruct mapstruct 1.3.1.Final 

Dokumentasi kerangka kerja dapat ditemukan di sini.

2.4. ModelMapper

ModelMapper adalah framework yang bertujuan untuk menyederhanakan pemetaan objek, dengan menentukan bagaimana objek dipetakan satu sama lain berdasarkan konvensi. Ini menyediakan API yang aman untuk tipe dan refactoring-safe.

Informasi lebih lanjut tentang kerangka kerja dapat ditemukan di dokumentasi.

Untuk menyertakan ModelMapper dalam proyek kita, kita perlu menambahkan ketergantungan berikut:

 org.modelmapper modelmapper 2.3.8 

2.5. JMapper

JMapper adalah kerangka kerja pemetaan yang bertujuan untuk menyediakan pemetaan kinerja tinggi yang mudah digunakan antara Java Beans.

Kerangka kerja tersebut bertujuan untuk menerapkan prinsip KERING menggunakan Anotasi dan pemetaan relasional.

Kerangka kerja ini memungkinkan berbagai cara konfigurasi: berbasis anotasi, berbasis XML atau API.

Informasi lebih lanjut tentang kerangka kerja dapat ditemukan di dokumentasinya.

Untuk memasukkan JMapper dalam proyek kita, kita perlu menambahkan ketergantungannya:

 com.googlecode.jmapper-framework jmapper-core 1.6.1.CR2 

3. Model Pengujian

Untuk dapat menguji pemetaan dengan benar, kita perlu memiliki model sumber dan target. Kami telah membuat dua model pengujian.

Yang pertama hanyalah POJO sederhana dengan satu bidang String , ini memungkinkan kita untuk membandingkan kerangka kerja dalam kasus yang lebih sederhana dan memeriksa apakah ada yang berubah jika kita menggunakan kacang yang lebih rumit.

Model sumber sederhana terlihat seperti di bawah ini:

public class SourceCode { String code; // getter and setter }

Dan tujuannya sangat mirip:

public class DestinationCode { String code; // getter and setter }

Contoh nyata dari source bean terlihat seperti itu:

public class SourceOrder { private String orderFinishDate; private PaymentType paymentType; private Discount discount; private DeliveryData deliveryData; private User orderingUser; private List orderedProducts; private Shop offeringShop; private int orderId; private OrderStatus status; private LocalDate orderDate; // standard getters and setters }

Dan kelas targetnya terlihat seperti di bawah ini:

public class Order { private User orderingUser; private List orderedProducts; private OrderStatus orderStatus; private LocalDate orderDate; private LocalDate orderFinishDate; private PaymentType paymentType; private Discount discount; private int shopId; private DeliveryData deliveryData; private Shop offeringShop; // standard getters and setters }

Seluruh struktur model dapat ditemukan di sini.

4. Pengonversi

Untuk menyederhanakan desain pengaturan pengujian, kami telah membuat antarmuka Konverter :

public interface Converter { Order convert(SourceOrder sourceOrder); DestinationCode convert(SourceCode sourceCode); }

Dan semua pembuat peta kustom kami akan menerapkan antarmuka ini.

4.1. OrikaConverter

Orika memungkinkan implementasi API penuh, ini sangat menyederhanakan pembuatan mapper:

public class OrikaConverter implements Converter{ private MapperFacade mapperFacade; public OrikaConverter() { MapperFactory mapperFactory = new DefaultMapperFactory .Builder().build(); mapperFactory.classMap(Order.class, SourceOrder.class) .field("orderStatus", "status").byDefault().register(); mapperFacade = mapperFactory.getMapperFacade(); } @Override public Order convert(SourceOrder sourceOrder) { return mapperFacade.map(sourceOrder, Order.class); } @Override public DestinationCode convert(SourceCode sourceCode) { return mapperFacade.map(sourceCode, DestinationCode.class); } }

4.2. DozerConverter

Dozer membutuhkan file pemetaan XML, dengan bagian berikut:

  com.baeldung.performancetests.model.source.SourceOrder com.baeldung.performancetests.model.destination.Order  status orderStatus    com.baeldung.performancetests.model.source.SourceCode com.baeldung.performancetests.model.destination.DestinationCode  

After defining the XML mapping, we can use it from code:

public class DozerConverter implements Converter { private final Mapper mapper; public DozerConverter() { this.mapper = DozerBeanMapperBuilder.create() .withMappingFiles("dozer-mapping.xml") .build(); } @Override public Order convert(SourceOrder sourceOrder) { return mapper.map(sourceOrder,Order.class); } @Override public DestinationCode convert(SourceCode sourceCode) { return mapper.map(sourceCode, DestinationCode.class); } }

4.3. MapStructConverter

MapStruct definition is quite simple as it's entirely based on code generation:

@Mapper public interface MapStructConverter extends Converter { MapStructConverter MAPPER = Mappers.getMapper(MapStructConverter.class); @Mapping(source = "status", target = "orderStatus") @Override Order convert(SourceOrder sourceOrder); @Override DestinationCode convert(SourceCode sourceCode); }

4.4. JMapperConverter

JMapperConverter requires more work to do. After implementing the interface:

public class JMapperConverter implements Converter { JMapper realLifeMapper; JMapper simpleMapper; public JMapperConverter() { JMapperAPI api = new JMapperAPI() .add(JMapperAPI.mappedClass(Order.class)); realLifeMapper = new JMapper(Order.class, SourceOrder.class, api); JMapperAPI simpleApi = new JMapperAPI() .add(JMapperAPI.mappedClass(DestinationCode.class)); simpleMapper = new JMapper( DestinationCode.class, SourceCode.class, simpleApi); } @Override public Order convert(SourceOrder sourceOrder) { return (Order) realLifeMapper.getDestination(sourceOrder); } @Override public DestinationCode convert(SourceCode sourceCode) { return (DestinationCode) simpleMapper.getDestination(sourceCode); } }

We also need to add @JMap annotations to each field of the target class. Also, JMapper can't convert between enum types on its own and it requires us to create custom mapping functions :

@JMapConversion(from = "paymentType", to = "paymentType") public PaymentType conversion(com.baeldung.performancetests.model.source.PaymentType type) { PaymentType paymentType = null; switch(type) { case CARD: paymentType = PaymentType.CARD; break; case CASH: paymentType = PaymentType.CASH; break; case TRANSFER: paymentType = PaymentType.TRANSFER; break; } return paymentType; }

4.5. ModelMapperConverter

ModelMapperConverter requires us to only provide the classes that we want to map:

public class ModelMapperConverter implements Converter { private ModelMapper modelMapper; public ModelMapperConverter() { modelMapper = new ModelMapper(); } @Override public Order convert(SourceOrder sourceOrder) { return modelMapper.map(sourceOrder, Order.class); } @Override public DestinationCode convert(SourceCode sourceCode) { return modelMapper.map(sourceCode, DestinationCode.class); } }

5. Simple Model Testing

For the performance testing, we can use Java Microbenchmark Harness, more information about how to use it can be found in this article.

We've created a separate benchmark for each Converter with specifying BenchmarkMode to Mode.All.

5.1. AverageTime

JMH returned the following results for average running time (the lesser the better) :

Framework Name Average running time (in ms per operation)
MapStruct 10 -5
JMapper 10 -5
Orika 0.001
ModelMapper 0.001
Dozer 0.002

This benchmark shows clearly that both MapStruct and JMapper have the best average working times.

5.2. Throughput

In this mode, the benchmark returns the number of operations per second. We have received the following results (more is better) :

Framework Name Throughput (in operations per ms)
MapStruct 133719
JMapper 106978
Orika 1800
ModelMapper 978
Dozer 471

In throughput mode, MapStruct was the fastest of the tested frameworks, with JMapper a close second.

5.3. SingleShotTime

This mode allows measuring the time of single operation from it's beginning to the end. The benchmark gave the following result (less is better):

Framework Name Single Shot Time (in ms per operation)
JMapper 0.015
MapStruct 0.450
Dozer 2.094
Orika 2.898
ModelMapper 4.837

Here, we see that JMapper returns better result than MapStruct.

5.4. SampleTime

This mode allows sampling of the time of each operation. The results for three different percentiles look like below:

Sample Time (in milliseconds per operation)
Framework Name p0.90 p0.999 p1.0
JMapper 10-4 0.001 2.6
MapStruct 10-4 0.001 3
Orika 0.001 0.010 4
ModelMapper 0.002 0.015 3.2
Dozer 0.003 0.021 25

All benchmarks have shown that MapStruct and JMapper are both good choices depending on the scenario.

6. Real-Life Model Testing

For the performance testing, we can use Java Microbenchmark Harness, more information about how to use it can be found in this article.

We have created a separate benchmark for each Converter with specifying BenchmarkMode to Mode.All.

6.1. AverageTime

JMH returned the following results for average running time (less is better) :

Framework Name Average running time (in ms per operation)
MapStruct 10 -4
JMapper 10 -4
Orika 0.004
ModelMapper 0.059
Dozer 0.103

6.2. Throughput

In this mode, the benchmark returns the number of operations per second. For each of the mappers we've received the following results (more is better) :

Framework Name Throughput (in operations per ms)
JMapper 7691
MapStruct 7120
Orika 281
ModelMapper 19
Dozer 10

6.3. SingleShotTime

This mode allows measuring the time of single operation from it's beginning to the end. The benchmark gave the following results (less is better):

Framework Name Single Shot Time (in ms per operation)
JMapper 0.253
MapStruct 0.532
Dozer 9.495
ModelMapper 16.288
Orika 18.081

6.4. SampleTime

This mode allows sampling of the time of each operation. Sampling results are split into percentiles, we'll present results for three different percentiles p0.90, p0.999, and p1.00:

Sample Time (in milliseconds per operation)
Framework Name p0.90 p0.999 p1.0
JMapper 10-3 0.008 64
MapStruct 10-3 0.010 68
Orika 0.006 0.278 32
ModelMapper 0.083 2.398 97
Dozer 0.146 4.526 118

While the exact results of the simple example and the real-life example were clearly different, but they do follow more or less the same trend. In both examples, we saw a close contest between JMapper and MapStruct for the top spot.

6.5. Conclusion

Based on the real-life model testing we performed in this section, we can see that the best performance clearly belongs to JMapper, although MapStruct is a close second. In the same tests, we see that Dozer is consistently at the bottom of our results table, except for SingleShotTime.

7. Summary

In this article, we've conducted performance tests of five popular Java bean mapping frameworks: ModelMapper, MapStruct, Orika, Dozer, and JMapper.

Seperti biasa, contoh kode dapat ditemukan di GitHub.