priorityblockingqueue 不适用于大数据排序，它专为多线程优先级任务调度设计；用于批量排序会导致内存溢出、性能骤降和顺序错乱，应改用 arrays.sort() 或外部排序。
PriorityBlockingQueue 不能当大数据排序工具用
它根本不是为批量排序设计的，而是为多线程生产者-消费者场景下的“带优先级的任务调度”服务的。你拿它塞几百万条数据再全取出来当排序结果，内存炸、性能崩、逻辑错——三连。
常见错误现象：OutOfMemoryError（堆溢出）、add() 变得极慢（O(log n) 累积成 O(n log n)）、取数时发现顺序“好像对又好像不对”（没意识到它不保证全部有序遍历）。
- 它底层是无界堆（
Object[]动态扩容），但扩容本身要复制数组，100 万条数据可能触发十几次复制 -
iterator()不按优先级顺序返回，只按数组物理位置遍历；必须用poll()才能逐个弹出最小/最大元素 - 没有批量构建接口（比如像
Arrays.sort()那样接受原始数组），所有插入都是单次offer()或add()
什么时候该用 PriorityBlockingQueue？看这三点
只在以下三个条件同时满足时才考虑它：有并发写入、需要实时响应最高/最低优先级任务、且单次处理量不大（比如每秒几百到几千个事件）。
典型使用场景：订单超时取消队列、告警分级推送、线程池中带优先级的 Runnable 调度。
立即学习“Java免费学习笔记（深入）”；
- 必须配合
take()或poll(long, TimeUnit)使用，否则消费者会阻塞或丢任务 - 比较器（
Comparator）必须严格一致：插入前和消费时不能换逻辑，否则poll()返回顺序错乱 - 注意
size()是 O(1)，但contains(Object)是 O(n)，别在循环里查存在性
大数据排序该用什么？别绕弯子
如果目标就是“把一千万条记录按某字段排好序”，直接上 Arrays.sort()（内存够）或 Files.lines().sorted() + 流式落盘（内存不够）。
性能对比很现实：100 万 Integer 排序，Arrays.sort() 通常 20–50ms；塞进 PriorityBlockingQueue 再全 poll() 出来，轻松破 3 秒，还吃两倍内存。
- 内存足够：用
list.toArray()→Arrays.sort(arr, comparator)→ 转回 list - 内存不足：用外部排序（如
java.nio.channels.FileChannel分块 + 归并），别硬扛 - 想边写边查 Top-K？用
PriorityQueue（非阻塞版）+ 固定容量，offer()后立刻poll()控制大小，这才是正解
阻塞特性在排序流程里反而添乱
所谓“阻塞”，是指生产者在队列满（它默认无界，所以几乎不会满）或消费者调用 take() 时队列空才会挂起线程。但在纯排序流程中，你既不需要等待数据就绪（数据已全量存在），也不需要防止生产过快（没生产者）。加一层阻塞语义，只引入线程切换开销和锁竞争。
容易踩的坑：PriorityBlockingQueue 的锁是全局的（ReentrantLock），所有 offer()/poll()/size() 都串行化；而 Arrays.sort() 是纯 CPU 运算，还能利用多核。
- 别为了“听起来高大上”在单机批处理脚本里硬套阻塞队列
- 如果上游是 Kafka/Flink，下游要排序，优先在 Flink 中用
keyBy().window().sort()，而不是拉到 Java 进程里再造一个队列 - 测试时用
-XX:+PrintGCDetails看 GC 日志，你会发现大量 Young GC —— 就是因为频繁新建包装对象（比如Integer）塞进队列
