Java8：创建Stream

﹏ヽ暗。殇╰゛Y 2022-05-04 03:28 117阅读 0赞

Stream是Java8的重要特性之一。那么生成Stream的方式有哪些？ 1， 通过Collections类，2，通过静态方法，例如IntStream.range，Files.walk方法等， 3，借助Java.util.Spliterator，有关stream的更详细内容后面会介绍，这里只是简单给出生成stream的例子。

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()

下面通过代码示例一一展示。

第一种，通过Collections类

List<String> stringCollection = new ArrayList<>(); 
        stringCollection.add("ddd2"); 
        stringCollection.add("aaa2"); 
        stringCollection.add("bbb1"); 
        stringCollection.add("aaa1"); 
        stringCollection.add("bbb3"); 
        stringCollection.add("ccc4"); 
        stringCollection.add("bbb2"); 
        stringCollection.add("ddd1");

stringCollection  
        .stream()  
        .filter((s) -> s.startsWith("a"))  
        .forEach(System.out::println);

第二种，通过静态方法

import java.nio.file.Files;  
import java.nio.file.Path;  
import java.nio.file.Paths;  
import java.util.stream.Stream;  
import java.io.IOException;

public class FilesWalk \{ 
    public static void main(String\[\] args) \{ 
        final Path path = Paths.get("C:\\\\Afolder"); 
        int maxDepth = 5; 
        try( Stream<Path> entries = Files.walk(path, maxDepth) ) \{ 
            entries.onClose( () -> System.out.println("Done!") ).forEach( 
                p -> \{ 
                         System.out.println(p.toFile().getAbsolutePath()); 
                    \}  
                ); 
        \} 
        catch (IOException e) \{ 
            e.printStackTrace(); 
        \} 
    \} 
\} 
 
第三种，借助java.util.Spliterator;

import java.util.ArrayList;  
import java.util.Spliterator;  
import java.util.stream.StreamSupport;  
import java.util.stream.Stream;

public class SpliteratorDemo \{

public static void main(String\[\] args) \{ 
        ArrayList<Integer> number\_List = new ArrayList<>();  
        Spliterator<Integer> mySpliterator, myParallelSpliterator;

number\_List.add(1);  
        number\_List.add(2);  
        number\_List.add(3);  
        number\_List.add(4);  
        number\_List.add(5);

mySpliterator = number\_List.spliterator();  
        myParallelSpliterator = number\_List.spliterator();

System.out.println("Characteristics Of Spliterator are : "+mySpliterator.characteristics());  
        System.out.println("estimateSize Of Spliterator is : "+mySpliterator.estimateSize());

Stream<Integer> intStream = StreamSupport.stream(mySpliterator.trySplit(), false); 
        Stream<Integer> intStream2 = StreamSupport.stream(mySpliterator.trySplit(), false); 
        Stream<Integer> intStream3 = StreamSupport.stream(mySpliterator.trySplit(), false); 
        //Stream<Integer> intStream4 = StreamSupport.stream(mySpliterator.trySplit(), false); 
        Stream<Integer> intStream4 = StreamSupport.stream(myParallelSpliterator.trySplit(), true); 
        System.out.println("All elements"); 
        intStream 
        .filter((p) -> (p < 9)) 
        .forEach(System.out::println);

System.out.println("All elements");  
        intStream2  
        .forEach(System.out::println);

System.out.println("All elements");  
        intStream3  
        .forEach(System.out::println);

System.out.println("All elements");  
        intStream4  
        .forEach(System.out::println);  
    \}  
\}

列举创建Stream<T>、IntStream(LongStream、DoubleStream)对象的一些常见例子。

1.by Values or Collection 
（1）因为Stream<T>的静态方法of

public static<T> Stream<T> of(T... values) \{ 
        return Arrays.stream(values); 
    \}

通过一系列值创建流对象，与Arrays.stream(重载)一致，两者放在一起。

Stream<T> of(T... values) 按照参数类型创建Stream<T> 对象。如Stream<String>、Stream<Integer>

Stream<T> of(T t)按照参数类型创建只有一个元素的流对象。

（2）Arrays.stream()

Arrays.stream(int\[\] array) 创建IntStream流对象（long\[\]、double\[\]类似），注意不是Stream<Integer>。

Arrays.stream(T\[\] array)对象数组为参数创建Stream<T> ，如Stream<String>。

对于集合，使用Collection<E>的默认方法stream()

default Stream<E> stream() \{ 
        return StreamSupport.stream(spliterator(), false); 
    \}

public static void fromValues() \{ 
        Stream<String> s = Stream.of("create", "Stream", "by", "Stream.of"); 
        Stream<Integer> s2 = Stream.of(1,2,3); 
        int\[\] array = \{1, 2, 3\}; 
        Stream<int\[\]> s3 = Stream.of(array); 
        s3.forEach(System.out::println); //\[I@1c20c684 
    \} 
  
    public static void fromCollection() \{ 
        int\[\] array = \{1, 2, 3\}; 
        IntStream stream = Arrays.stream(array);//注意 
        int sum = stream.sum(); 
        String\[\] strArray = \{"a","b"\}; 
        Stream<String> stream1 = Arrays.stream(strArray); 
  
  
        List<String> myList = Arrays.asList("a1", "a2","a1"); 
        Stream<String> stream2 = myList.stream(); 
        stream2.forEach(System.out::print);                       //a1a2a1 
        System.out.println(); 
        HashSet<String> set = new HashSet<>(myList); 
        Stream<String> stream3 = set.stream(); 
        stream3.forEach(System.out::print);                         //a1a2 
    \} 
从值、数组和List、Set等创建流对象，是最基本的。 
2.无限流 
Stream的静态方法iterate和generate可以创建无限流，因此需要在适当的时候限制一下流元素的长度。

public static<T> Stream<T> iterate(final T seed, final UnaryOperator<T> f)

public static<T> Stream<T> generate(Supplier<T> s)

iterate的种子的类型决定了流的类型参数，一元操作不断应用于前一个元素。

generate使用一个Supplier<T>作为产生无限流的依据。下面例子分别使用了

Supplier<String> supplier =()->\{return "a";\};

和Math的random()函数。

public static void infiniteStream() \{ 
        Stream<Integer> stream\_int = Stream.iterate(0, n -> n + 2); 
        stream\_int.limit(5).forEach(s -> System.out.print(s + " ")); 
        System.out.println(); 
         
        Stream<String> stream\_str = Stream.iterate("a", s -> s + "a"); 
        stream\_str.limit(5).forEach(s -> System.out.print(s + " ")); 
        System.out.println(); 
         
        Stream<Double> stream\_double = Stream.generate(Math::random).limit(3); 
        stream\_double.forEach(s -> System.out.print(s + " ")); 
        System.out.println(); 
        Supplier<String> supplier =()->\{return "a";\}; 
        Stream<String> stream\_str2 = Stream.generate(supplier).limit(3); 
        stream\_str2.forEach(s -> System.out.print(s + " "));         
    \} 
输出： 
0 2 4 6 8  
a aa aaa aaaa aaaaa  
0.537544433840739 0.18913558672368358 0.007618540214730407  
a a a

打印Fibonacci数列的前10项。iterate的种子new int\[\]\{0, 1\}，产生 (0,1), (1, 1), (1,2), (2, 3), (3, 5), (5, 8), (8, 13), (13, 21)...流

Stream<int\[\]> iterate = Stream.iterate(new int\[\]\{0, 1\}, 
                t -> new int\[\]\{t\[1\], t\[0\] + t\[1\]\}); 
        iterate.limit(10).forEach(t -> Print.pln(t)); 
注：Print有方法 
    public static void pln(int\[\] arr)\{ 
        System.out.println(java.util.Arrays.toString(arr)); 
    \}

输出：

\[0, 1\]  
\[1, 1\]  
\[1, 2\]  
\[2, 3\]  
\[3, 5\]  
\[5, 8\]  
\[8, 13\]  
\[13, 21\]  
\[21, 34\]  
\[34, 55\]

3.范围  
对于int和long数据，一个常见的用法是按照一个range，生成IntStream或LongStream对象。

rangeClosed(int startInclusive, int endInclusive)  数学上表示为\[a,b\]；range(int a, int b) 数学上表示为\[a,b）。

public static void rangesStream() \{  
        IntStream stream\_int = IntStream.rangeClosed(1, 4);  
        stream\_int.forEach(s -> System.out.print(s + " "));  
        System.out.println();  
        LongStream.range(1, 4).forEach(s -> System.out.print(s + " "));  
    \}  
输出：  
1 2 3 4   
1 2 3

### 流的操作 ###

## 流操作 ##

java.util.stream.Stream中定义了许多流操作的方法，为了更好的理解Stream API掌握它常用的操作非常重要。 流的操作其实可以分为两类：处理操作、聚合操作。

*  处理操作：诸如filter、map等处理操作将Stream一层一层的进行抽离，返回一个流给下一层使用。
 *  聚合操作：从最后一次流中生成一个结果给调用方，foreach只做处理不做返回。

### filter ###

filter看名字也知道是过滤的意思，我们通常在筛选数据的时候用到，频率非常高。 filter方法的参数是Predicate<T> predicate即一个从T到boolean的函数。

[![04d4bbf030e2ebafa655dff16a7dcce3.png][]][04d4bbf030e2ebafa655dff16a7dcce3.png 1]

筛选出距离我在1000米内的店铺

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.filter(p -&gt; p.distance &lt; </code><code>1000</code><code>)</code> </td> 
 </tr> 
 </tbody> 
</table>

筛选出名称大于5个字的店铺

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.filter(p -&gt; p.name.length() &gt; </code><code>5</code><code>);</code> </td> 
 </tr> 
 </tbody> 
</table>

### map ###

有时候我们需要将流中处理的数据类型进行转换，这时候就可以使用map方法来完成，将流中的值转换为一个新的流。

[![54f3e003684d7aedac94a5f0416949e7.png][]][54f3e003684d7aedac94a5f0416949e7.png 1]

列出所有店铺的名称

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.map(p -&gt; p.name);</code> </td> 
 </tr> 
 </tbody> 
</table>

传给map的lambda表达式接收一个Property类型的参数，返回一个String。 参数和返回值不必属于同一种类型，但是lambda表达式必须是Function接口的一个实例。

### flatMap ###

有时候我们会遇到提取子流的操作，这种情况用的不多但是遇到flatMap将变得更容易处理。

[![a8337f5ee2065fb222e3d20371aaa8b7.png][]][a8337f5ee2065fb222e3d20371aaa8b7.png 1]

例如我们有一个List<List<String>>结构的数据：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>List&lt;List&lt;String&gt;&gt; lists = </code><code>new</code> <code>ArrayList&lt;&gt;();</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>lists.add(Arrays.asList(</code><code>"apple"</code><code>, </code><code>"click"</code><code>));</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>lists.add(Arrays.asList(</code><code>"boss"</code><code>, </code><code>"dig"</code><code>, </code><code>"qq"</code><code>, </code><code>"vivo"</code><code>));</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>lists.add(Arrays.asList(</code><code>"c#"</code><code>, </code><code>"biezhi"</code><code>));</code> </td> 
 </tr> 
 </tbody> 
</table>

要做的操作是获取这些数据中长度大于2的单词个数

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>lists.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.flatMap(Collection::stream)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.filter(str -&gt; str.length() &gt; </code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.count();</code> </td> 
 </tr> 
 </tbody> 
</table>

在不使用flatMap前你可能需要做2次for循环。这里调用了List的stream方法将每个列表转换成Stream对象， 其他的就和之前的操作一样。

## max和min ##

Stream中常用的操作之一是求最大值和最小值，Stream API 中的max和min操作足以解决这一问题。

我们需要筛选出价格最低的店铺:

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>Property property = properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.max(Comparator.comparingInt(p -&gt; p.priceLevel))</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.get();</code> </td> 
 </tr> 
 </tbody> 
</table>

查找Stream中的最大或最小元素，首先要考虑的是用什么作为排序的指标。 以查找价格最低的店铺为例，排序的指标就是店铺的价格等级。

为了让Stream对象按照价格等级进行排序，需要传给它一个Comparator对象。 Java8提供了一个新的静态方法comparingInt，使用它可以方便地实现一个比较器。 放在以前，我们需要比较两个对象的某项属性的值，现在只需要提供一个存取方法就够了。

## 收集结果 ##

通常我们处理完流之后想查看一下结果，比如获取总数，转换结果，在前面的示例中你发现调用了 filter、map之后没有下文了，后续的操作应该调用Stream中的collect方法完成。

获取距离我最近的2个店铺

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>List&lt;Property&gt; properties = properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.sorted(Comparator.comparingInt(x -&gt; x.distance))</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.limit(</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

获取所有店铺的名称

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>List&lt;String&gt; names = properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.map(p -&gt; p.name)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

获取每个店铺的价格等级

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>Map&lt;String, Integer&gt; map = properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.toMap(Property::getName, Property::getPriceLevel));</code> </td> 
 </tr> 
 </tbody> 
</table>

所有价格等级的店铺列表

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>Map&lt;Integer, List&lt;Property&gt;&gt; priceMap = properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.groupingBy(Property::getPriceLevel));</code> </td> 
 </tr> 
 </tbody> 
</table>

## 并行数据处理 ##

### 并行和并发 ###

并发是两个任务共享时间段，并行则是两个任务在同一时间发生，比如运行在多核CPU上。 如果一个程序要运行两个任务，并且只有一个CPU给它们分配了不同的时间片，那么这就是并发，而不是并行。

> 并行化是指为缩短任务执行时间，将一个任务分解成几部分，然后并行执行。

这和顺序执行的任务量是一样的，区别就像用更多的马来拉车，花费的时间自然减少了。 实际上，和顺序执行相比，并行化执行任务时，CPU承载的工作量更大。

> 数据并行化是指将数据分成块，为每块数据分配单独的处理单元。

还是拿马拉车那个例子打比方，就像从车里取出一些货物，放到另一辆车上，两辆马车都沿着同样的路径到达目的地。

当需要在大量数据上执行同样的操作时，数据并行化很管用。 它将问题分解为可在多块数据上求解的形式，然后对每块数据执行运算，最后将各数据块上得到的结果汇总，从而获得最终答案。

人们经常拿任务并行化和数据并行化做比较，在任务并行化中，线程不同，工作各异。 我们最常遇到的JavaEE应用容器便是任务并行化的例子之一，每个线程不光可以为不同用户服务， 还可以为同一个用户执行不同的任务，比如登录或往购物车添加商品。

### Stream并行流 ###

流使得计算变得容易，它的操作也非常简单，但你需要遵守一些约定。默认情况下我们使用集合的stream方法 创建的是一个串行流，你有两种办法让他变成并行流。

1.  调用Stream对象的parallel方法
2.  创建流的时候调用parallelStream而不是stream方法

我们来用具体的例子来解释串行和并行流

串行化计算

筛选出价格等级小于4，按照距离排序的2个店铺名

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>properties.stream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.filter(p -&gt; p.priceLevel &lt; </code><code>4</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.sorted(Comparator.comparingInt(Property::getDistance))</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.map(Property::getName)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.limit(</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

调用 parallelStream 方法即能并行处理

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>properties.parallelStream()</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.filter(p -&gt; p.priceLevel &lt; </code><code>4</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.sorted(Comparator.comparingInt(Property::getDistance))</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.map(Property::getName)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.limit(</code><code>2</code><code>)</code> <code>&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;</code><code>.collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

\-------------------------------------------------------------------------------------------------------------------------------------------------------------------

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>List&lt;</code><code>String</code><code>&gt; output = wordList.stream().</code> <code>map(String::toUpperCase).</code> <code>collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

这段代码把所有的单词转换为大写。

清单 8. 平方数

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>List&lt;</code><code>Integer</code><code>&gt; nums = Arrays.asList(1, 2, 3, 4);</code> <code>List&lt;</code><code>Integer</code><code>&gt; squareNums = nums.stream().</code> <code>map(n -&gt; n * n).</code> <code>collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

清单 9. 一对多

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 </td> 
 <td> <code>Stream&lt;</code><code>List</code><code>&lt;Integer&gt;&gt; inputStream = Stream.of(</code> <code>&nbsp;</code><code>Arrays.asList(1),</code> <code>&nbsp;</code><code>Arrays.asList(2, 3),</code> <code>&nbsp;</code><code>Arrays.asList(4, 5, 6)</code> <code>&nbsp;</code><code>);</code> <code>Stream&lt;</code><code>Integer</code><code>&gt; outputStream = inputStream.</code> <code>flatMap((childList) -&gt; childList.stream());</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>Integer[] sixNums = {1, 2, 3, 4, 5, 6};</code> <code>Integer[] evens =</code> <code>Stream.of(sixNums).filter(n -&gt; n%2 == 0).toArray(Integer[]::new);</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 </td> 
 <td> <code>List&lt;</code><code>String</code><code>&gt; output = reader.lines().</code> <code>&nbsp;</code><code>flatMap(line -&gt; Stream.of(line.split(REGEXP))).</code> <code>&nbsp;</code><code>filter(word -&gt; word.length() &gt; 0).</code> <code>&nbsp;</code><code>collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**forEach**

forEach 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）

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 </td> 
 <td> <code>// Java 8</code> <code>roster.stream()</code> <code>&nbsp;</code><code>.filter(p -&gt; p.getGender() == Person.Sex.MALE)</code> <code>&nbsp;</code><code>.forEach(p -&gt; System.out.println(p.getName()));</code> <code>// Pre-Java 8</code> <code>for (Person p : roster) { </code> <code>&nbsp;</code><code>if (p.getGender() == Person.Sex.MALE) { </code> <code>&nbsp;</code><code>System.out.println(p.getName());</code> <code>&nbsp;</code><code>}</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>stream.forEach(element -&gt; doOneThing(element));</code> <code>stream.forEach(element -&gt; doAnotherThing(element));</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>Stream.of("one", "two", "three", "four")</code> <code>&nbsp;</code><code>.filter(e -&gt; e.length() &gt; 3)</code> <code>&nbsp;</code><code>.peek(e -&gt; System.out.println("Filtered value: " + e))</code> <code>&nbsp;</code><code>.map(String::toUpperCase)</code> <code>&nbsp;</code><code>.peek(e -&gt; System.out.println("Mapped value: " + e))</code> <code>&nbsp;</code><code>.collect(Collectors.toList());</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 </td> 
 <td> <code>String strA = " abcd ", strB = null;</code> <code>print(strA);</code> <code>print("");</code> <code>print(strB);</code> <code>getLength(strA);</code> <code>getLength("");</code> <code>getLength(strB);</code> <code>public static void print(String text) { </code> <code>&nbsp;</code><code>// Java 8</code> <code>&nbsp;</code><code>Optional.ofNullable(text).ifPresent(System.out::println);</code> <code>&nbsp;</code><code>// Pre-Java 8</code> <code>&nbsp;</code><code>if (text != null) { </code> <code>&nbsp;</code><code>System.out.println(text);</code> <code>&nbsp;</code><code>}</code> <code>&nbsp;</code><code>}</code> <code>public static int getLength(String text) { </code> <code>&nbsp;</code><code>// Java 8</code> <code>return Optional.ofNullable(text).map(String::length).orElse(-1);</code> <code>&nbsp;</code><code>// Pre-Java 8</code> <code>// return if (text != null) ? text.length() : -1;</code> <code>&nbsp;</code><code>};</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 </td> 
 <td> <code>// 字符串连接，concat = "ABCD"</code> <code>String concat = Stream.of("A", "B", "C", "D").reduce("", String::concat); </code> <code>// 求最小值，minValue = -3.0</code> <code>double minValue = Stream.of(-1.5, 1.0, -3.0, -2.0).reduce(Double.MAX_VALUE, Double::min); </code> <code>// 求和，sumValue = 10, 有起始值</code> <code>int sumValue = Stream.of(1, 2, 3, 4).reduce(0, Integer::sum);</code> <code>// 求和，sumValue = 10, 无起始值</code> <code>sumValue = Stream.of(1, 2, 3, 4).reduce(Integer::sum).get();</code> <code>// 过滤，字符串连接，concat = "ace"</code> <code>concat = Stream.of("a", "B", "c", "D", "e", "F").</code> <code>&nbsp;</code><code>filter(x -&gt; x.compareTo("Z") &gt; 0).</code> <code>&nbsp;</code><code>reduce("", String::concat);</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 </td> 
 <td> <code>public void testLimitAndSkip() { </code> <code>&nbsp;</code><code>List&lt;</code><code>Person</code><code>&gt; persons = new ArrayList();</code> <code>&nbsp;</code><code>for (int i = 1; i &lt;= 10000; i++) { </code> <code>&nbsp;</code><code>Person person = new Person(i, "name" + i);</code> <code>&nbsp;</code><code>persons.add(person);</code> <code>&nbsp;</code><code>}</code> <code>List&lt;</code><code>String</code><code>&gt; personList2 = persons.stream().</code> <code>map(Person::getName).limit(10).skip(3).collect(Collectors.toList());</code> <code>&nbsp;</code><code>System.out.println(personList2);</code> <code>}</code> <code>private class Person { </code> <code>&nbsp;</code><code>public int no;</code> <code>&nbsp;</code><code>private String name;</code> <code>&nbsp;</code><code>public Person (int no, String name) { </code> <code>&nbsp;</code><code>this.no = no;</code> <code>&nbsp;</code><code>this.name = name;</code> <code>&nbsp;</code><code>}</code> <code>&nbsp;</code><code>public String getName() { </code> <code>&nbsp;</code><code>System.out.println(name);</code> <code>&nbsp;</code><code>return name;</code> <code>&nbsp;</code><code>}</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

输出结果为：

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 </td> 
 <td> <code>List&lt;</code><code>Person</code><code>&gt; persons = new ArrayList();</code> <code>&nbsp;</code><code>for (int i = 1; i &lt;= 5; i++) { </code> <code>&nbsp;</code><code>Person person = new Person(i, "name" + i);</code> <code>&nbsp;</code><code>persons.add(person);</code> <code>&nbsp;</code><code>}</code> <code>List&lt;</code><code>Person</code><code>&gt; personList2 = persons.stream().sorted((p1, p2) -&gt; </code> <code>p1.getName().compareTo(p2.getName())).limit(2).collect(Collectors.toList());</code> <code>System.out.println(personList2);</code> </td> 
 </tr> 
 </tbody> 
</table>

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：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 </td> 
 <td> <code>name2</code> <code>name1</code> <code>name3</code> <code>name2</code> <code>name4</code> <code>name3</code> <code>name5</code> <code>name4</code> <code>[stream.StreamDW$Person@816f27d, stream.StreamDW$Person@87aac27]</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 </td> 
 <td> <code>List&lt;</code><code>Person</code><code>&gt; persons = new ArrayList();</code> <code>&nbsp;</code><code>for (int i = 1; i &lt;= 5; i++) { </code> <code>&nbsp;</code><code>Person person = new Person(i, "name" + i);</code> <code>&nbsp;</code><code>persons.add(person);</code> <code>&nbsp;</code><code>}</code> <code>List&lt;</code><code>Person</code><code>&gt; personList2 = persons.stream().limit(2).sorted((p1, p2) -&gt; p1.getName().compareTo(p2.getName())).collect(Collectors.toList());</code> <code>System.out.println(personList2);</code> </td> 
 </tr> 
 </tbody> 
</table>

结果会简单很多：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 </td> 
 <td> <code>name2</code> <code>name1</code> <code>[stream.StreamDW$Person@6ce253f1, stream.StreamDW$Person@53d8d10a]</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 </td> 
 <td> <code>BufferedReader br = new BufferedReader(new FileReader("c:\\SUService.log"));</code> <code>int longest = br.lines().</code> <code>&nbsp;</code><code>mapToInt(String::length).</code> <code>&nbsp;</code><code>max().</code> <code>&nbsp;</code><code>getAsInt();</code> <code>br.close();</code> <code>System.out.println(longest);</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 </td> 
 <td> <code>List&lt;</code><code>String</code><code>&gt; words = br.lines().</code> <code>&nbsp;</code><code>flatMap(line -&gt; Stream.of(line.split(" "))).</code> <code>&nbsp;</code><code>filter(word -&gt; word.length() &gt; 0).</code> <code>&nbsp;</code><code>map(String::toLowerCase).</code> <code>&nbsp;</code><code>distinct().</code> <code>&nbsp;</code><code>sorted().</code> <code>&nbsp;</code><code>collect(Collectors.toList());</code> <code>br.close();</code> <code>System.out.println(words);</code> </td> 
 </tr> 
 </tbody> 
</table>

**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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 12 </td> 
 <td> <code>List&lt;</code><code>Person</code><code>&gt; persons = new ArrayList();</code> <code>persons.add(new Person(1, "name" + 1, 10));</code> <code>persons.add(new Person(2, "name" + 2, 21));</code> <code>persons.add(new Person(3, "name" + 3, 34));</code> <code>persons.add(new Person(4, "name" + 4, 6));</code> <code>persons.add(new Person(5, "name" + 5, 55));</code> <code>boolean isAllAdult = persons.stream().</code> <code>&nbsp;</code><code>allMatch(p -&gt; p.getAge() &gt; 18);</code> <code>System.out.println("All are adult? " + isAllAdult);</code> <code>boolean isThereAnyChild = persons.stream().</code> <code>&nbsp;</code><code>anyMatch(p -&gt; p.getAge() &lt; 12);</code> <code>System.out.println("Any child? " + isThereAnyChild);</code> </td> 
 </tr> 
 </tbody> 
</table>

输出结果：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>All are adult? false</code> <code>Any child? true</code> </td> 
 </tr> 
 </tbody> 
</table>

### 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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 </td> 
 <td> <code>Random seed = new Random();</code> <code>Supplier&lt;</code><code>Integer</code><code>&gt; random = seed::nextInt;</code> <code>Stream.generate(random).limit(10).forEach(System.out::println);</code> <code>//Another way</code> <code>IntStream.generate(() -&gt; (int) (System.nanoTime() % 100)).</code> <code>limit(10).forEach(System.out::println);</code> </td> 
 </tr> 
 </tbody> 
</table>

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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 11 </td> 
 <td> <code>Stream.generate(new PersonSupplier()).</code> <code>limit(10).</code> <code>forEach(p -&gt; System.out.println(p.getName() + ", " + p.getAge()));</code> <code>private class PersonSupplier implements Supplier&lt;</code><code>Person</code><code>&gt; { </code> <code>&nbsp;</code><code>private int index = 0;</code> <code>&nbsp;</code><code>private Random random = new Random();</code> <code>&nbsp;</code><code>@Override</code> <code>&nbsp;</code><code>public Person get() { </code> <code>&nbsp;</code><code>return new Person(index++, "StormTestUser" + index, random.nextInt(100));</code> <code>&nbsp;</code><code>}</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

输出结果：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 9 10 </td> 
 <td> <code>StormTestUser1, 9</code> <code>StormTestUser2, 12</code> <code>StormTestUser3, 88</code> <code>StormTestUser4, 51</code> <code>StormTestUser5, 22</code> <code>StormTestUser6, 28</code> <code>StormTestUser7, 81</code> <code>StormTestUser8, 51</code> <code>StormTestUser9, 4</code> <code>StormTestUser10, 76</code> </td> 
 </tr> 
 </tbody> 
</table>

**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**

<table> 
 <tbody> 
 <tr> 
 <td> 1 </td> 
 <td> <code>Stream.iterate(0, n -&gt; n + 3).limit(10). forEach(x -&gt; System.out.print(x + " "));.</code> </td> 
 </tr> 
 </tbody> 
</table>

输出结果：

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。

### 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

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 6 7 8 </td> 
 <td> <code>Map&lt;</code><code>Integer</code><code>, List&lt;Person&gt;&gt; personGroups = Stream.generate(new PersonSupplier()).</code> <code>&nbsp;</code><code>limit(100).</code> <code>&nbsp;</code><code>collect(Collectors.groupingBy(Person::getAge));</code> <code>Iterator it = personGroups.entrySet().iterator();</code> <code>while (it.hasNext()) { </code> <code>&nbsp;</code><code>Map.Entry&lt;</code><code>Integer</code><code>, List&lt;Person&gt;&gt; persons = (Map.Entry) it.next();</code> <code>&nbsp;</code><code>System.out.println("Age " + persons.getKey() + " = " + persons.getValue().size());</code> <code>}</code> </td> 
 </tr> 
 </tbody> 
</table>

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：

清单 26. 按照未成年人和成年人归组

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 3 4 5 </td> 
 <td> <code>Map&lt;</code><code>Boolean</code><code>, List&lt;Person&gt;&gt; children = Stream.generate(new PersonSupplier()).</code> <code>&nbsp;</code><code>limit(100).</code> <code>&nbsp;</code><code>collect(Collectors.partitioningBy(p -&gt; p.getAge() &lt; 18));</code> <code>System.out.println("Children number: " + children.get(true).size());</code> <code>System.out.println("Adult number: " + children.get(false).size());</code> </td> 
 </tr> 
 </tbody> 
</table>

输出结果：

<table> 
 <tbody> 
 <tr> 
 <td> 1 2 </td> 
 <td> <code>Children number: 23 </code> <code>Adult number: 77</code> </td> 
 </tr> 
 </tbody> 
</table>

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。

[04d4bbf030e2ebafa655dff16a7dcce3.png]: /images/20220504/19881afd9d774ca78fe272559a2934d4.png
[04d4bbf030e2ebafa655dff16a7dcce3.png 1]: http://www.importnew.com/26090.html/java8-filter
[54f3e003684d7aedac94a5f0416949e7.png]: /images/20220504/5dcc6d45f1d0499aaffa144122bbad11.png
[54f3e003684d7aedac94a5f0416949e7.png 1]: http://www.importnew.com/26090.html/java8-map
[a8337f5ee2065fb222e3d20371aaa8b7.png]: /images/20220504/6d8a886271bb4fc7945e42b89c6487d0.png
[a8337f5ee2065fb222e3d20371aaa8b7.png 1]: http://www.importnew.com/26090.html/java8-flatmap