Java 8 Stream

我会带着你远行 2021-10-01 04:42 282阅读 0赞

## 一、初识Stream ##

Java 8 API添加了一个新的抽象称为流Stream，可以让你以一种声明的方式处理数据。

Stream 使用一种类似用 SQL 语句从数据库查询数据的直观方式来提供一种对 Java 集合运算和表达的高阶抽象。

Stream API可以极大提高Java程序员的生产力，让程序员写出高效率、干净、简洁的代码。

这种风格将要处理的元素集合看作一种流， 流在管道中传输， 并且可以在管道的节点上进行处理， 比如筛选， 排序，聚合等。

元素流在管道中经过中间操作（intermediate operation）的处理，最后由最终操作(terminal operation)得到前面处理的结果。

+--------------------+       +------+   +------+   +---+   +-------+
    | stream of elements +-----> |filter+-> |sorted+-> |map+-> |collect|
    +--------------------+       +------+   +------+   +---+   +-------+

以上的流程转换为 Java 代码为：

List<Integer> transactionsIds = 
    widgets.stream()
                 .filter(b -> b.getColor() == RED)
                 .sorted((x,y) -> x.getWeight() - y.getWeight())
                 .mapToInt(Widget::getWeight)
                 .sum();

### 什么是 Stream？ ###

Stream（流）是一个来自数据源的元素队列并支持聚合操作

*  <strong元素队列< strong="">元素是特定类型的对象，形成一个队列。 Java中的Stream并不会存储元素，而是按需计算。
 *  **数据源** 流的来源。 可以是集合，数组，I/O channel， 产生器generator 等。
 *  **聚合操作** 类似SQL语句一样的操作， 比如filter, map, reduce, find, match, sorted等。

和以前的Collection操作不同， Stream操作还有两个基础的特征：

*  **Pipelining**: 中间操作都会返回流对象本身。 这样多个操作可以串联成一个管道， 如同流式风格（fluent style）。 这样做可以对操作进行优化， 比如延迟执行(laziness)和短路( short-circuiting)。
 *  **内部迭代**： 以前对集合遍历都是通过Iterator或者For-Each的方式, 显式的在集合外部进行迭代， 这叫做外部迭代。 Stream提供了内部迭代的方式， 通过访问者模式(Visitor)实现。

### 生成流 ###

在 Java 8 中, 集合接口有两个方法来生成流：

*  **stream()** − 为集合创建串行流。
 *  **parallelStream()** − 为集合创建并行流。

List<String> strings = Arrays.asList("abc", "", "bc", "efg", "abcd","", "jkl");
    List<String> filtered = strings.stream().filter(string -> !string.isEmpty()).collect(Collectors.toList());

### forEach ###

Stream 提供了新的方法 'forEach' 来迭代流中的每个数据。以下代码片段使用 forEach 输出了10个随机数：

Random random = new Random();
    random.ints().limit(10).forEach(System.out::println);

### map ###

map 方法用于映射每个元素到对应的结果，以下代码片段使用 map 输出了元素对应的平方数：

List<Integer> numbers = Arrays.asList(3, 2, 2, 3, 7, 3, 5);
    // 获取对应的平方数
    List<Integer> squaresList = numbers.stream().map( i -> i*i).distinct().collect(Collectors.toList());

### filter ###

filter 方法用于通过设置的条件过滤出元素。以下代码片段使用 filter 方法过滤出空字符串：

List<String>strings = Arrays.asList("abc", "", "bc", "efg", "abcd","", "jkl");
    // 获取空字符串的数量
    int count = strings.stream().filter(string -> string.isEmpty()).count();

### limit ###

limit 方法用于获取指定数量的流。 以下代码片段使用 limit 方法打印出 10 条数据：

Random random = new Random();
    random.ints().limit(10).forEach(System.out::println);

### sorted ###

sorted 方法用于对流进行排序。以下代码片段使用 sorted 方法对输出的 10 个随机数进行排序：

Random random = new Random();
    random.ints().limit(10).sorted().forEach(System.out::println);

### 并行（parallel）程序 ###

parallelStream 是流并行处理程序的代替方法。以下实例我们使用 parallelStream 来输出空字符串的数量：

List<String> strings = Arrays.asList("abc", "", "bc", "efg", "abcd","", "jkl");
    // 获取空字符串的数量
    int count = strings.parallelStream().filter(string -> string.isEmpty()).count();

我们可以很容易的在顺序运行和并行直接切换。

### Collectors ###

Collectors 类实现了很多归约操作，例如将流转换成集合和聚合元素。Collectors 可用于返回列表或字符串：

List<String>strings = Arrays.asList("abc", "", "bc", "efg", "abcd","", "jkl");
    List<String> filtered = strings.stream().filter(string -> !string.isEmpty()).collect(Collectors.toList());
     
    System.out.println("筛选列表: " + filtered);
    String mergedString = strings.stream().filter(string -> !string.isEmpty()).collect(Collectors.joining(", "));
    System.out.println("合并字符串: " + mergedString);

### 统计 ###

另外，一些产生统计结果的收集器也非常有用。它们主要用于int、double、long等基本类型上，它们可以用来产生类似如下的统计结果。

List<Integer> numbers = Arrays.asList(3, 2, 2, 3, 7, 3, 5);
     
    IntSummaryStatistics stats = numbers.stream().mapToInt((x) -> x).summaryStatistics();
     
    System.out.println("列表中最大的数 : " + stats.getMax());
    System.out.println("列表中最小的数 : " + stats.getMin());
    System.out.println("所有数之和 : " + stats.getSum());
    System.out.println("平均数 : " + stats.getAverage());

## 二、Stream 总览 ##

### 1、什么是流 ###

Stream 作为 Java 8 的一大亮点，它与 java.io 包里的 InputStream 和 OutputStream 是完全不同的概念。它也不同于 StAX 对 XML 解析的 Stream，也不是 Amazon Kinesis 对大数据实时处理的 Stream。Java 8 中的 Stream 是对集合（Collection）对象功能的增强，它专注于对集合对象进行各种非常便利、高效的聚合操作（aggregate operation），或者大批量数据操作 (bulk data operation)。Stream API 借助于同样新出现的 Lambda 表达式，极大的提高编程效率和程序可读性。同时它提供串行和并行两种模式进行汇聚操作，并发模式能够充分利用多核处理器的优势，使用 fork/join 并行方式来拆分任务和加速处理过程。通常编写并行代码很难而且容易出错, 但使用 Stream API 无需编写一行多线程的代码，就可以很方便地写出高性能的并发程序。所以说，Java 8 中首次出现的 java.util.stream 是一个函数式语言+多核时代综合影响的产物。

Stream 不是集合元素，它不是数据结构并不保存数据，它是有关算法和计算的，它更像一个高级版本的 Iterator。原始版本的 Iterator，用户只能显式地一个一个遍历元素并对其执行某些操作；高级版本的 Stream，用户只要给出需要对其包含的元素执行什么操作，比如 “过滤掉长度大于 10 的字符串”、“获取每个字符串的首字母”等，Stream 会隐式地在内部进行遍历，做出相应的数据转换。

Stream 就如同一个迭代器（Iterator），单向，不可往复，数据只能遍历一次，遍历过一次后即用尽了，就好比流水从面前流过，一去不复返。

而和迭代器又不同的是，Stream 可以并行化操作，迭代器只能命令式地、串行化操作。顾名思义，当使用串行方式去遍历时，每个 item 读完后再读下一个 item。而使用并行去遍历时，数据会被分成多个段，其中每一个都在不同的线程中处理，然后将结果一起输出。Stream 的并行操作依赖于 Java7 中引入的 Fork/Join 框架（JSR166y）来拆分任务和加速处理过程。Java 的并行 API 演变历程基本如下：

1 1.0-1.4 中的 java.lang.Thread
    2 5.0 中的 java.util.concurrent
    3 6.0 中的 Phasers 等
    4 7.0 中的 Fork/Join 框架
    5 8.0 中的 Lambda

Stream 的另外一大特点是，数据源本身可以是无限的。

### 2、流的构成 ###

当我们使用一个流的时候，通常包括三个基本步骤：

获取一个数据源（source）→ 数据转换→执行操作获取想要的结果，每次转换原有 Stream 对象不改变，返回一个新的 Stream 对象（可以有多次转换），这就允许对其操作可以像链条一样排列，变成一个管道，如下图所示。

图 1. 流管道 (Stream Pipeline) 的构成

![1401949-20190802104527273-693685030.png][]

有多种方式生成 Stream Source：

*  从 Collection 和数组

*   *  Collection.stream()
     *  Collection.parallelStream()
     *  Arrays.stream(T array) or Stream.of()
    
    从 BufferedReader
    
     *  java.io.BufferedReader.lines()

*  静态工厂

*  java.util.stream.IntStream.range()
 *  java.nio.file.Files.walk()

*  自己构建

*   *  java.util.Spliterator
    
    其它
    
     *  Random.ints()
     *  BitSet.stream()
     *  Pattern.splitAsStream(java.lang.CharSequence)
     *  JarFile.stream()

### 3、流的操作类型分为两种： ###

*  **Intermediate**：一个流可以后面跟随零个或多个 intermediate 操作。其目的主要是打开流，做出某种程度的数据映射/过滤，然后返回一个新的流，交给下一个操作使用。这类操作都是惰性化的（lazy），就是说，仅仅调用到这类方法， 并没有真正开始流的遍历。
 *  **Terminal**：一个流只能有一个 terminal 操作，当这个操作执行后，流就被使用“光”了，无法再被操作。所以这必定是流的最后一个操作。Terminal 操作的执行，才会真正开始流的遍历，并且会生成一个结果，或者一个 side effect。

在对于一个 Stream 进行多次转换操作 (Intermediate 操作)，每次都对 Stream 的每个元素进行转换，而且是执行多次，这样时间复杂度就是 N（转换次数）个 for 循环里把所有操作都做掉的总和吗？其实不是这样的，转换操作都是 **lazy （惰性）的**，多个转换操作只会在 Terminal 操作的时候融合起来，一次循环完成。我们可以这样简单的理解，Stream 里有个操作函数的集合，每次转换操作就是把转换函数放入这个集合中，在 Terminal 操作的时候循环 Stream 对应的集合，然后对每个元素执行所有的函数。

还有一种操作被称为 **short-circuiting**。用以指：

*  对于一个 intermediate 操作，如果它接受的是一个无限大（infinite/unbounded）的 Stream，但返回一个有限的新 Stream。
 *  对于一个 terminal 操作，如果它接受的是一个无限大的 Stream，但能在有限的时间计算出结果。

当操作一个无限大的 Stream，而又希望在有限时间内完成操作，则在管道内拥有一个 short-circuiting 操作是必要非充分条件。

### 4、列举一个案例 ###

在 Java 7 中，如果要发现 type 为 grocery 的所有交易，然后返回以交易值降序排序好的交易 ID 集合，我们需要这样写：

**清单 1. Java 7 的排序、取值实现**

List<Transaction> groceryTransactions = new Arraylist<>();
    for(Transaction t: transactions){
     if(t.getType() == Transaction.GROCERY){
     groceryTransactions.add(t);
     }
    }
    Collections.sort(groceryTransactions, new Comparator(){
     public int compare(Transaction t1, Transaction t2){
     return t2.getValue().compareTo(t1.getValue());
     }
    });
    List<Integer> transactionIds = new ArrayList<>();
    for(Transaction t: groceryTransactions){
     transactionsIds.add(t.getId());
    }

而在 Java 8 使用 Stream，代码更加简洁易读；而且使用并发模式，程序执行速度更快。

**清单 2. Java 8 的排序、取值实现**

List<Integer> transactionsIds = transactions.parallelStream().
     filter(t -> t.getType() == Transaction.GROCERY).
     sorted(comparing(Transaction::getValue).reversed()).
     map(Transaction::getId).
     collect(toList());

**清单 3. 一个流操作的示例**

int sum = widgets.stream()
    .filter(w -> w.getColor() == RED)
     .mapToInt(w -> w.getWeight())
     .sum();

stream() 获取当前小物件的 source，filter 和 mapToInt 为 intermediate 操作，进行数据筛选和转换，最后一个 sum() 为 terminal 操作，对符合条件的全部小物件作重量求和。

## 三、流的使用详解 ##

简单说，对 Stream 的使用就是实现一个 filter-map-reduce 过程，产生一个最终结果，或者导致一个副作用（side effect）。

### 1、流的构造与转换 ###

下面提供最常见的几种构造 Stream 的样例。

**清单 4. 构造流的几种常见方法**

// 1. Individual values
    Stream stream = Stream.of("a", "b", "c");
    // 2. Arrays
    String [] strArray = new String[] {"a", "b", "c"};
    stream = Stream.of(strArray);
    stream = Arrays.stream(strArray);
    // 3. Collections
    List<String> list = Arrays.asList(strArray);
    stream = list.stream();

需要注意的是，对于基本数值型，目前有三种对应的包装类型 Stream：

IntStream、LongStream、DoubleStream。当然我们也可以用 Stream<Integer>、Stream<Long> >、Stream<Double>，但是 boxing 和 unboxing 会很耗时，所以特别为这三种基本数值型提供了对应的 Stream。

Java 8 中还没有提供其它数值型 Stream，因为这将导致扩增的内容较多。而常规的数值型聚合运算可以通过上面三种 Stream 进行。

**清单 5. 数值流的构造**

IntStream.of(new int[]{1, 2, 3}).forEach(System.out::println);
    IntStream.range(1, 3).forEach(System.out::println);
    IntStream.rangeClosed(1, 3).forEach(System.out::println);

**清单 6. 流转换为其它数据结构**

// 1. Array
    String[] strArray1 = stream.toArray(String[]::new);
    // 2. Collection
    List<String> list1 = stream.collect(Collectors.toList());
    List<String> list2 = stream.collect(Collectors.toCollection(ArrayList::new));
    Set set1 = stream.collect(Collectors.toSet());
    Stack stack1 = stream.collect(Collectors.toCollection(Stack::new));
    // 3. String
    String str = stream.collect(Collectors.joining()).toString();
    
    
    
    
    //将 List 转 Map
    List<Student> students = initData();
      Map<String, Double> collect = students.stream()
             .collect(Collectors.toMap(one -> one.getName(),
    one -> one.getScore()));
      System.out.println(collect);
    
    //可以看到通过 Stream API 可以很方便地将一个 List 转成了 Map，但是这里有一个地方需要注意。那就是在通过 Stream API 将 List 转成 Map 的时候我们需要确保 key 不会重复，否则转换的过程将会直接抛出异常。

一个 Stream 只可以使用一次，上面的代码为了简洁而重复使用了数次。

## 四、流的操作 ##

接下来，当把一个数据结构包装成 Stream 后，就要开始对里面的元素进行各类操作了。常见的操作可以归类如下。

*  Intermediate：

map (mapToInt, flatMap 等)、 filter、 distinct、 sorted、 peek、 limit、 skip、 parallel、 sequential、 unordered

*  Terminal：

forEach、 forEachOrdered、 toArray、 reduce、 collect、 min、 max、 count、 anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 iterator

*  Short-circuiting：

anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 limit

我们下面看一下 Stream 的比较典型用法。

### 1、map/flatMap ###

我们先来看 map。如果你熟悉 scala 这类函数式语言，对这个方法应该很了解，它的作用就是把 input Stream 的每一个元素，映射成 output Stream 的另外一个元素。

**清单 7. 转换大写**

List<String> output = wordList.stream().
    map(String::toUpperCase).
    collect(Collectors.toList());

这段代码把所有的单词转换为大写。

清单7.1

List<Integer> idList = UserEntities.stream().map(UserEntity::getId)
                    .collect(Collectors.toList());

**清单 8. 平方数**

List<Integer> nums = Arrays.asList(1, 2, 3, 4);
    List<Integer> squareNums = nums.stream().
    map(n -> n * n).
    collect(Collectors.toList());

这段代码生成一个整数 list 的平方数 \{1, 4, 9, 16\}。

从上面例子可以看出，map 生成的是个 1:1 映射，每个输入元素，都按照规则转换成为另外一个元素。还有一些场景，是一对多映射关系的，这时需要 flatMap。

**`flatMap()`**操作能把原始流中的元素进行一对多的转换，并且将新生成的元素全都合并到它返回的流里面。假如现每个班的学生都学了不同的课程，现在需要统计班里所有学生所学的课程列表，该如何实现呢?

**清单 9. 一对多**

public static void useFlatMap() {
      List<Student> students = initData();
      List<String> course = students.stream().flatMap(one -> one.getCourse().stream()).distinct()
                    .collect(Collectors.toList());
      System.out.println(course);
    }

**清单 9.1. 一对多**

Stream<List<Integer>> inputStream = Stream.of(
     Arrays.asList(1),
     Arrays.asList(2, 3),
     Arrays.asList(4, 5, 6)
     );
    Stream<Integer> outputStream = inputStream.
    flatMap((childList) -> childList.stream());

flatMap 把 input Stream 中的层级结构扁平化，就是将最底层元素抽出来放到一起，最终 output 的新 Stream 里面已经没有 List 了，都是直接的数字。

### 2、**filter** ###

filter 对原始 Stream 进行某项测试，通过测试的元素被留下来生成一个新 Stream。

**清单 10. 留下偶数**

Integer[] sixNums = {1, 2, 3, 4, 5, 6};
    Integer[] evens =
    Stream.of(sixNums).filter(n -> n%2 == 0).toArray(Integer[]::new);

经过条件“被 2 整除”的 filter，剩下的数字为 \{2, 4, 6\}。

**清单 11. 把单词挑出来**

List<String> output = reader.lines().
     flatMap(line -> Stream.of(line.split(REGEXP))).
     filter(word -> word.length() > 0).
     collect(Collectors.toList());

这段代码首先把每行的单词用 flatMap 整理到新的 Stream，然后保留长度不为 0 的，就是整篇文章中的全部单词了。

### 3、**forEach** ###

orEach 方法接收一个 Lambda 表达式，然后在 Stream 的每一个元素上执行该表达式。

**清单 12. 打印姓名（forEach 和 pre-java8 的对比）**

// Java 8
    roster.stream()
     .filter(p -> p.getGender() == Person.Sex.MALE)
     .forEach(p -> System.out.println(p.getName()));
    // Pre-Java 8
    for (Person p : roster) {
     if (p.getGender() == Person.Sex.MALE) {
     System.out.println(p.getName());
     }
    }

对一个人员集合遍历，找出男性并打印姓名。可以看出来，forEach 是为 Lambda 而设计的，保持了最紧凑的风格。而且 Lambda 表达式本身是可以重用的，非常方便。当需要为多核系统优化时，可以 parallelStream().forEach()，只是此时原有元素的次序没法保证，并行的情况下将改变串行时操作的行为，此时 forEach 本身的实现不需要调整，而 Java8 以前的 for 循环 code 可能需要加入额外的多线程逻辑。

但一般认为，forEach 和常规 for 循环的差异不涉及到性能，它们仅仅是函数式风格与传统 Java 风格的差别。

另外一点需要注意，forEach 是 terminal 操作，因此它执行后，Stream 的元素就被“消费”掉了，你无法对一个 Stream 进行两次 terminal 运算。下面的代码是错误的：

1 stream.forEach(element -> doOneThing(element));
    2 stream.forEach(element -> doAnotherThing(element));

相反，具有相似功能的 intermediate 操作 **peek**可以达到上述目的。如下是出现在该 api javadoc 上的一个示例。

**清单 13. peek 对每个元素执行操作并返回一个新的 Stream**

Stream.of("one", "two", "three", "four")
     .filter(e -> e.length() > 3)
     .peek(e -> System.out.println("Filtered value: " + e))
     .map(String::toUpperCase)
     .peek(e -> System.out.println("Mapped value: " + e))
     .collect(Collectors.toList());

**forEach 不能修改自己包含的本地变量值，也不能用 break/return 之类的关键字提前结束循环。**

### **4、findFirst** ###

这是一个 termimal 兼 short-circuiting 操作，它总是返回 Stream 的第一个元素，或者空。

这里比较重点的是它的返回值类型：**Optional**。这也是一个模仿 Scala 语言中的概念，作为一个容器，它可能含有某值，或者不包含。使用它的目的是尽可能避免 NullPointerException。

**清单 14. Optional 的两个用例**

String strA = " abcd ", strB = null;
    print(strA);
    print("");
    print(strB);
    getLength(strA);
    getLength("");
    getLength(strB);
    public static void print(String text) {
     // Java 8
     Optional.ofNullable(text).ifPresent(System.out::println);
     // Pre-Java 8
     if (text != null) {
     System.out.println(text);
     }
     }
    public static int getLength(String text) {
     // Java 8
    return Optional.ofNullable(text).map(String::length).orElse(-1);
     // Pre-Java 8
    // return if (text != null) ? text.length() : -1;
     };

在更复杂的 if (xx != null) 的情况中，使用 Optional 代码的可读性更好，而且它提供的是编译时检查，能极大的降低 NPE 这种 Runtime Exception 对程序的影响，或者迫使程序员更早的在编码阶段处理空值问题，而不是留到运行时再发现和调试。

Stream 中的 findAny、max/min、reduce 等方法等返回 Optional 值。还有例如 IntStream.average() 返回 OptionalDouble 等等。

### **5、reduce** ###

这个方法的主要作用是把 Stream 元素组合起来。它提供一个起始值（种子），然后依照运算规则（BinaryOperator），和前面 Stream 的第一个、第二个、第 n 个元素组合。从这个意义上说，字符串拼接、数值的 sum、min、max、average 都是特殊的 reduce。例如 Stream 的 sum 就相当于

Integer sum = integers.reduce(0, (a, b) -> a+b); 或

Integer sum = integers.reduce(0, Integer::sum);

也有没有起始值的情况，这时会把 Stream 的前面两个元素组合起来，返回的是 Optional。

**清单 15. reduce 的用例**

// 字符串连接，concat = "ABCD"
    String concat = Stream.of("A", "B", "C", "D").reduce("", String::concat); 
    // 求最小值，minValue = -3.0
    double minValue = Stream.of(-1.5, 1.0, -3.0, -2.0).reduce(Double.MAX_VALUE, Double::min); 
    // 求和，sumValue = 10, 有起始值
    int sumValue = Stream.of(1, 2, 3, 4).reduce(0, Integer::sum);
    // 求和，sumValue = 10, 无起始值
    sumValue = Stream.of(1, 2, 3, 4).reduce(Integer::sum).get();
    // 过滤，字符串连接，concat = "ace"
    concat = Stream.of("a", "B", "c", "D", "e", "F").
     filter(x -> x.compareTo("Z") > 0).
     reduce("", String::concat);

上面代码例如第一个示例的 reduce()，第一个参数（空白字符）即为起始值，第二个参数（String::concat）为 BinaryOperator。这类有起始值的 reduce() 都返回具体的对象。而对于第四个示例没有起始值的 reduce()，由于可能没有足够的元素，返回的是 Optional，请留意这个区别。

### **6、limit/skip** ###

limit 返回 Stream 的前面 n 个元素；skip 则是扔掉前 n 个元素（它是由一个叫 subStream 的方法改名而来）。

**清单 16. limit 和 skip 对运行次数的影响**

public void testLimitAndSkip() {
     List<Person> persons = new ArrayList();
     for (int i = 1; i <= 10000; i++) {
     Person person = new Person(i, "name" + i);
     persons.add(person);
     }
    List<String> personList2 = persons.stream().
    map(Person::getName).limit(10).skip(3).collect(Collectors.toList());
     System.out.println(personList2);
    }
    private class Person {
     public int no;
     private String name;
     public Person (int no, String name) {
     this.no = no;
     this.name = name;
     }
     public String getName() {
     System.out.println(name);
     return name;
     }
    }

输出结果为：

name1
    name2
    name3
    name4
    name5
    name6
    name7
    name8
    name9
    name10
    [name4, name5, name6, name7, name8, name9, name10]

这是一个有 10，000 个元素的 Stream，但在 short-circuiting 操作 limit 和 skip 的作用下，管道中 map 操作指定的 getName() 方法的执行次数为 limit 所限定的 10 次，而最终返回结果在跳过前 3 个元素后只有后面 7 个返回。

有一种情况是 limit/skip 无法达到 short-circuiting 目的的，就是把它们放在 Stream 的排序操作后，原因跟 sorted 这个 intermediate 操作有关：此时系统并不知道 Stream 排序后的次序如何，所以 sorted 中的操作看上去就像完全没有被 limit 或者 skip 一样。

**清单 17. limit 和 skip 对 sorted 后的运行次数无影响**

List<Person> persons = new ArrayList();
     for (int i = 1; i <= 5; i++) {
     Person person = new Person(i, "name" + i);
     persons.add(person);
     }
    List<Person> personList2 = persons.stream().sorted((p1, p2) -> 
    p1.getName().compareTo(p2.getName())).limit(2).collect(Collectors.toList());
    System.out.println(personList2);

上面的示例对清单 13 做了微调，首先对 5 个元素的 Stream 排序，然后进行 limit 操作。输出结果为：

name2
    name1
    name3
    name2
    name4
    name3
    name5
    name4
    [stream.StreamDW$Person@816f27d, stream.StreamDW$Person@87aac27]

即虽然最后的返回元素数量是 2，但整个管道中的 sorted 表达式执行次数没有像前面例子相应减少。

最后有一点需要注意的是，对一个 parallel 的 Steam 管道来说，如果其元素是有序的，那么 limit 操作的成本会比较大，因为它的返回对象必须是前 n 个也有一样次序的元素。取而代之的策略是取消元素间的次序，或者不要用 parallel Stream。

### **7、sorted** ###

对 Stream 的排序通过 sorted 进行，它比数组的排序更强之处在于你可以首先对 Stream 进行各类 map、filter、limit、skip 甚至 distinct 来减少元素数量后，再排序，这能帮助程序明显缩短执行时间。我们对清单 14 进行优化：

**清单 18. 优化：排序前进行 limit 和 skip**

List<Person> persons = new ArrayList();
     for (int i = 1; i <= 5; i++) {
     Person person = new Person(i, "name" + i);
     persons.add(person);
     }
    List<Person> personList2 = persons.stream().limit(2).sorted((p1, p2) -> p1.getName().compareTo(p2.getName())).collect(Collectors.toList());
    System.out.println(personList2);

结果会简单很多：

name2
    name1
    [stream.StreamDW$Person@6ce253f1, stream.StreamDW$Person@53d8d10a]

当然，这种优化是有 business logic 上的局限性的：即不要求排序后再取值。

### 8、**min/max/distinct**  ###

min 和 max 的功能也可以通过对 Stream 元素先排序，再 findFirst 来实现，但前者的性能会更好，为 O(n)，而 sorted 的成本是 O(n log n)。同时它们作为特殊的 reduce 方法被独立出来也是因为求最大最小值是很常见的操作。

**清单 19. 找出最长一行的长度**

BufferedReader br = new BufferedReader(new FileReader("c:\\SUService.log"));
    int longest = br.lines().
     mapToInt(String::length).
     max().
     getAsInt();
    br.close();
    System.out.println(longest);

下面的例子则使用 distinct 来找出不重复的单词。

**清单 20. 找出全文的单词，转小写，并排序**

List<String> words = br.lines().
     flatMap(line -> Stream.of(line.split(" "))).
     filter(word -> word.length() > 0).
     map(String::toLowerCase).
     distinct().
     sorted().
     collect(Collectors.toList());
    br.close();
    System.out.println(words);

### 9、**Match**  ###

Stream 有三个 match 方法，从语义上说：

*  allMatch：Stream 中全部元素符合传入的 predicate，返回 true
 *  anyMatch：Stream 中只要有一个元素符合传入的 predicate，返回 true
 *  noneMatch：Stream 中没有一个元素符合传入的 predicate，返回 true

它们都不是要遍历全部元素才能返回结果。例如 allMatch 只要一个元素不满足条件，就 skip 剩下的所有元素，返回 false。对清单 13 中的 Person 类稍做修改，加入一个 age 属性和 getAge 方法。

**清单 21. 使用 Match**

List<Person> persons = new ArrayList();
    persons.add(new Person(1, "name" + 1, 10));
    persons.add(new Person(2, "name" + 2, 21));
    persons.add(new Person(3, "name" + 3, 34));
    persons.add(new Person(4, "name" + 4, 6));
    persons.add(new Person(5, "name" + 5, 55));
    boolean isAllAdult = persons.stream().
     allMatch(p -> p.getAge() > 18);
    System.out.println("All are adult? " + isAllAdult);
    boolean isThereAnyChild = persons.stream().
     anyMatch(p -> p.getAge() < 12);
    System.out.println("Any child? " + isThereAnyChild);

输出结果：

All are adult? false
    Any child? true

## 五、进阶：自己生成流 ##

### **Stream.generate** ###

通过实现 Supplier 接口，你可以自己来控制流的生成。这种情形通常用于随机数、常量的 Stream，或者需要前后元素间维持着某种状态信息的 Stream。把 Supplier 实例传递给 Stream.generate() 生成的 Stream，默认是串行（相对 parallel 而言）但无序的（相对 ordered 而言）。由于它是无限的，在管道中，必须利用 limit 之类的操作限制 Stream 大小。

**清单 22. 生成 10 个随机整数**

Random seed = new Random();
    Supplier<Integer> random = seed::nextInt;
    Stream.generate(random).limit(10).forEach(System.out::println);
    //Another way
    IntStream.generate(() -> (int) (System.nanoTime() % 100)).
    limit(10).forEach(System.out::println);

Stream.generate() 还接受自己实现的 Supplier。例如在构造海量测试数据的时候，用某种自动的规则给每一个变量赋值；或者依据公式计算 Stream 的每个元素值。这些都是维持状态信息的情形。

**清单 23. 自实现 Supplier**

Stream.generate(new PersonSupplier()).
    limit(10).
    forEach(p -> System.out.println(p.getName() + ", " + p.getAge()));
    private class PersonSupplier implements Supplier<Person> {
     private int index = 0;
     private Random random = new Random();
     @Override
     public Person get() {
     return new Person(index++, "StormTestUser" + index, random.nextInt(100));
     }
    }

输出结果：

StormTestUser1, 9
    StormTestUser2, 12
    StormTestUser3, 88
    StormTestUser4, 51
    StormTestUser5, 22
    StormTestUser6, 28
    StormTestUser7, 81
    StormTestUser8, 51
    StormTestUser9, 4
    StormTestUser10, 76

### **Stream.iterate** ###

iterate 跟 reduce 操作很像，接受一个种子值，和一个 UnaryOperator（例如 f）。然后种子值成为 Stream 的第一个元素，f(seed) 为第二个，f(f(seed)) 第三个，以此类推。

**清单 24. 生成一个等差数列**

Stream.iterate(0, n -> n + 3).limit(10). forEach(x -> System.out.print(x + " "));

输出结果：

0 3 6 9 12 15 18 21 24 27

与 Stream.generate 相仿，在 iterate 时候管道必须有 limit 这样的操作来限制 Stream 大小。

## 六、进阶：用 Collectors 来进行 reduction 操作 ##

java.util.stream.Collectors 类的主要作用就是辅助进行各类有用的 reduction 操作，例如转变输出为 Collection，把 Stream 元素进行归组。

### **groupingBy/partitioningBy** ###

**清单 25. 按照年龄归组**

Map<Integer, List<Person>> personGroups = Stream.generate(new PersonSupplier()).
     limit(100).
     collect(Collectors.groupingBy(Person::getAge));
    Iterator it = personGroups.entrySet().iterator();
    while (it.hasNext()) {
     Map.Entry<Integer, List<Person>> persons = (Map.Entry) it.next();
     System.out.println("Age " + persons.getKey() + " = " + persons.getValue().size());
    }

上面的 code，首先生成 100 人的信息，然后按照年龄归组，相同年龄的人放到同一个 list 中，可以看到如下的输出：

Age 0 = 2
    Age 1 = 2
    Age 5 = 2
    Age 8 = 1
    Age 9 = 1
    Age 11 = 2
    ……

**清单 26. 按照未成年人和成年人归组**

Map<Boolean, List<Person>> children = Stream.generate(new PersonSupplier()).
     limit(100).
     collect(Collectors.partitioningBy(p -> p.getAge() < 18));
    System.out.println("Children number: " + children.get(true).size());
    System.out.println("Adult number: " + children.get(false).size());

输出结果：

Children number: 23 
    Adult number: 77

在使用条件“年龄小于 18”进行分组后可以看到，不到 18 岁的未成年人是一组，成年人是另外一组。partitioningBy 其实是一种特殊的 groupingBy，它依照条件测试的是否两种结果来构造返回的数据结构，get(true) 和 get(false) 能即为全部的元素对象。

## 七、list统计 ##

list.stream().mapToDouble(User::getHeight).sum()//和
    list.stream().mapToDouble(User::getHeight).max()//最大
    list.stream().mapToDouble(User::getHeight).min()//最小
    list.stream().mapToDouble(User::getHeight).average()//平均值

当然，除了统计double类型，还有int和long

##  ![1401949-20190809234132669-924818780.png][] ##

bigdecimal需要用到reduce求和。

### Double示例 ###

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

public class HelloWorld {
        private static final DecimalFormat df = new DecimalFormat("0.00");//保留两位小数点
        public static void main(String[] args) {
            Random random = new Random();
            List<User> list = new ArrayList<>();
            for(int i=1;i<=5;i++) {
                double weight = random.nextDouble() * 100 + 100;//随机身高：100-200
                User u = new User(i, "用户-" + i, weight);
                list.add(u);
            }
            System.out.println("用户：" + list);
            double sum = list.stream().mapToDouble(User::getHeight).sum();
            System.out.println("身高 总和：" + df.format(sum));
            double max = list.stream().mapToDouble(User::getHeight).max().getAsDouble();
            System.out.println("身高 最大：" + df.format(max));
            double min = list.stream().mapToDouble(User::getHeight).min().getAsDouble();
            System.out.println("身高 最小：" + df.format(min));
            double average = list.stream().mapToDouble(User::getHeight).average().getAsDouble();
            System.out.println("身高 平均：" + df.format(average));
    
        }
        private static class User{
            Integer id;
            String name;
            double height;//身高
    
            public User(Integer id, String name, double height) {
                this.id = id;
                this.name = name;
                this.height = height;
            }
    
            public Integer getId() {
                return id;
            }
    
            public void setId(Integer id) {
                this.id = id;
            }
    
            public String getName() {
                return name;
            }
    
            public void setName(String name) {
                this.name = name;
            }
    
            public double getHeight() {
                return height;
            }
    
            public void setHeight(double height) {
                this.height = height;
            }
    
            @Override
            public String toString() {
                return "User{" +
                        "id=" + id +
                        ", name='" + name + '\'' +
                        ", height=" + height +
                        '}';
            }
        }
    
    }

执行结果：

用户：
        [User{id=1, name='用户-1', height=192.15677342306662}, 
         User{id=2, name='用户-2', height=196.35056058694772}, 
         User{id=3, name='用户-3', height=101.96271958293853}, 
         User{id=4, name='用户-4', height=110.83134063008366}, 
         User{id=5, name='用户-5', height=106.27720636757154}]
    身高 总和：707.58
    身高 最大：196.35
    身高 最小：101.96
    身高 平均：141.52

### BigDecimal示例 ###

![ContractedBlock.gif][] ![ExpandedBlockStart.gif][]

public class HelloWorld {
        private static final DecimalFormat df = new DecimalFormat("0.00");//保留两位小数点
        public static void main(String[] args) {
            Random random = new Random();
            List<User> list = new ArrayList<>();
            for(int i=1;i<=5;i++) {
                double weight = random.nextDouble() * 100 + 100;//随机身高：100-200
                list.add(new User(i, new BigDecimal(weight).setScale(BigDecimal.ROUND_HALF_UP, 2)));
            }
            System.out.println("list：" + list);
            BigDecimal add = list.stream().map(User::getHeight).reduce(BigDecimal.ZERO, BigDecimal::add);
            System.out.println("身高 总和：" + df.format(add));
            Optional<User> max = list.stream().max((u1, u2) -> u1.getHeight().compareTo(u2.getHeight()));
            System.out.println("身高 最大：" + df.format(max.get().getHeight()));
            Optional<User> min = list.stream().min((u1, u2) -> u1.getHeight().compareTo(u2.getHeight()));
            System.out.println("身高 最小：" + df.format(min.get().getHeight()));
    
        }
        private static class User{
            Integer id;
            BigDecimal height;//身高
    
            public User(Integer id, BigDecimal height) {
                this.id = id;
                this.height = height;
            }
    
            public Integer getId() {
                return id;
            }
    
            public void setId(Integer id) {
                this.id = id;
            }
    
            public BigDecimal getHeight() {
                return height;
            }
    
            public void setHeight(BigDecimal height) {
                this.height = height;
            }
    
            @Override
            public String toString() {
                return "User{" +
                        "id=" + id +
                        ", height=" + height +
                        '}';
            }
        }
    
    }

执行结果：

list：
        [User{id=1, height=141.5472}, 
    　　　　User{id=2, height=133.1609}, 
    　　　　User{id=3, height=101.5403}, 
    　　　　User{id=4, height=157.8470}, 
    　　　　User{id=5, height=177.7596}]
    身高 总和：711.8550
    身高 最大：177.76
    身高 最小：101.54

## 八、总结 ##

总之，Stream 的特性可以归纳为：

*  不是数据结构

*  它没有内部存储，它只是用操作管道从 source（数据结构、数组、generator function、IO channel）抓取数据。
 *  它也绝不修改自己所封装的底层数据结构的数据。例如 Stream 的 filter 操作会产生一个不包含被过滤元素的新 Stream，而不是从 source 删除那些元素。

*  所有 Stream 的操作必须以 lambda 表达式为参数
 *  不支持索引访问

*  你可以请求第一个元素，但无法请求第二个，第三个，或最后一个。不过请参阅下一项。

*  很容易生成数组或者 List
 *  惰性化

*  很多 Stream 操作是向后延迟的，一直到它弄清楚了最后需要多少数据才会开始。
 *  Intermediate 操作永远是惰性化的。

*  并行能力

*  当一个 Stream 是并行化的，就不需要再写多线程代码，所有对它的操作会自动并行进行的。

*  可以是无限的
    
     *  集合有固定大小，Stream 则不必。limit(n) 和 findFirst() 这类的 short-circuiting 操作可以对无限的 Stream 进行运算并很快完成。

参考文章：

[https://www.runoob.com/java/java8-streams.html][https_www.runoob.com_java_java8-streams.html]

[https://www.ibm.com/developerworks/cn/java/j-lo-java8streamapi][https_www.ibm.com_developerworks_cn_java_j-lo-java8streamapi]

[https://www.cnblogs.com/yangzhenlong/p/8378029.html][https_www.cnblogs.com_yangzhenlong_p_8378029.html]

转载于:https://www.cnblogs.com/java-jun-world2099/articles/11287161.html

[1401949-20190802104527273-693685030.png]: /images/20210724/30bebad9a7614bdd9adf0c10f229a910.png
[1401949-20190809234132669-924818780.png]: /images/20210724/e60e6498a41544d5800f576928958ed1.png
[ContractedBlock.gif]: https://images.cnblogs.com/OutliningIndicators/ContractedBlock.gif
[ExpandedBlockStart.gif]: /images/20210724/66f66e82efdd46bb9e9345df702b86ec.png
[https_www.runoob.com_java_java8-streams.html]: https://www.runoob.com/java/java8-streams.html
[https_www.ibm.com_developerworks_cn_java_j-lo-java8streamapi]: https://www.ibm.com/developerworks/cn/java/j-lo-java8streamapi/
[https_www.cnblogs.com_yangzhenlong_p_8378029.html]: https://www.cnblogs.com/yangzhenlong/p/8378029.html