Java之Stream如何运用？案例详解

清疚 2023-02-11 10:29 139阅读 0赞

![Java Stream][]

注意：

*  Stream 自己不会存储元素。
 *  Stream 不会改变源对象。相反，它会返回一个持有结果得新Stream
 *  Stream 操作时延迟执行得，这意味着它们会等到需要结果时才执行。（延迟加载）  
    另外注意：在学习Java高级过程中难免会遇到各种问题解决不了。为此我建了个裙 783802103，里面很多架构师一起交流解答，没基础勿进哦！

Stream 操作步骤

1.  Stream 创建： 一个数据源（集合，数组），获取一个流。
2.  Stream 中间操作： 一个中间操作链，对数据源的数据进行处理。
3.  Stream 终止操作： 一个终止操作，执行中间操作链，并产生结果。

# 2 Stream 用法 #

## 2.1 创建Stream ##

//1. 通过 Collection.stream() / parallelStream() 创建Stream
    List<String> list = new ArrayList<String>();
    Stream<String> stream11 = list.stream();             // 串行流
    Stream<String> stream12 = list.parallelStream();     // 并行流
    
    //2. 通过 Arrays.stream() 获取数组流
    IntStream stream2 = Arrays.stream(new int[]{1,2});  // 串行流
    
    //3. 通过 Stream.of() 获取流
    Stream<String> stream3 = Stream.of("123", "456");    // 串行流
    
    //4. 创建无限流，需要配合 limit() 截断，不然无限制下去
    Stream<Integer> stream41 = Stream.iterate(2, (x) -> x * 2);   // 串行流
    Stream<Double> stream42 = Stream.generate(Math::random);      // 串行流

## 2.2 Stream 中间操作 ##

多个中间操作可以连接起来形成一个流水线，除非流水线上触发终止操作，否则中间操作不会执行任何得处理。而终止操作时一次性全部处理，称为‘延迟加载’

<table> 
 <thead> 
  <tr> 
   <th>中间操作(例举部分)</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>limit(long maxSize)</td> 
   <td>截断，使其元素不超过给定数量</td> 
  </tr> 
  <tr> 
   <td>filter(Predicate&lt;T&gt; predicate)</td> 
   <td>过滤，从流中过滤出想要的元素</td> 
  </tr> 
  <tr> 
   <td>skip(long n)</td> 
   <td>忽略，跳过前n个元素，若流中元素不足n个，则返回空</td> 
  </tr> 
  <tr> 
   <td>distinct()</td> 
   <td>去重，通过元素 hashCode() 和 equals() 去除重复元素</td> 
  </tr> 
  <tr> 
   <td>map(Funcation&lt;T,R&gt; mapper)</td> 
   <td>映射，函数会被应用到每个元素上，并将其映射成一个新的元素</td> 
  </tr> 
  <tr> 
   <td>flatMap(Function&lt;T, Stream&gt; mapper)</td> 
   <td>映射，将流中的每个值都换成一个流，然后把所有流连接成一个流</td> 
  </tr> 
  <tr> 
   <td>sorted()</td> 
   <td>排序，自然排序</td> 
  </tr> 
  <tr> 
   <td>sorted(Comparator&lt;T&gt; comparator)</td> 
   <td>排序，定制排序</td> 
  </tr> 
 </tbody> 
</table>

// 中间操作：不会执行任何操作
    Stream<Double> stream = Stream.generate(Math::random)   // double 无限流
    .limit(20)                                      // 截断，取前 20 个
    .filter(x -> x > 0.3)                           // 过滤，取大于 0.3 的元素
    .skip(1)                                        // 忽略，丢弃第一个元素
    .distinct()                                     // 去重
    .map(x -> x * 10)                               // 映射，将每个元素扩大 10 倍
    .sorted();                                      // 对 double 流进行排序
    
    // 终止操作，只有执行终止操作才会执行全部。即：延迟加载
    stream.forEach(System.out::println);

// 中间操作：flatMap 接收一个函数作为参数，将流中的每个值都换成一个流，然后把所有流连接成一个流
    List<String> list = Arrays.asList("aaa", "bbb", "ccc", "ddd");
    list.stream().flatMap((e) -> filterCharacter(e)).forEach(System.out::println);
    
    //如果使用map则需要这样写
    list.stream().map((e) -> filterCharacter(e)).forEach((e) -> {
        e.forEach(System.out::println);
    });
    
    public Stream<Character> filterCharacter(String str){
        List<Character> list = new ArrayList<>();
        for (Character ch : str.toCharArray()) {
            list.add(ch);
        }
        return list.stream();
    }

## 2.3 Stream 终止操作 ##

### 2.3.1 查找与匹配 ###

<table> 
 <thead> 
  <tr> 
   <th>操作(例举部分)</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>allMatch(Predicate&lt;T&gt; predicate)</td> 
   <td>检查是否匹配所有元素</td> 
  </tr> 
  <tr> 
   <td>anyMatch(Predicate&lt;T&gt; predicate)</td> 
   <td>检查是否至少匹配所有元素</td> 
  </tr> 
  <tr> 
   <td>noneMatch(Predicate&lt;T&gt; predicate)</td> 
   <td>检查是否没有匹配所有元素</td> 
  </tr> 
  <tr> 
   <td>findFirst()</td> 
   <td>返回第一个元素</td> 
  </tr> 
  <tr> 
   <td>findAny()</td> 
   <td>返回当前流中任意元素</td> 
  </tr> 
  <tr> 
   <td>count()</td> 
   <td>返回流中元素总个数</td> 
  </tr> 
  <tr> 
   <td>max(Comparator&lt;T&gt; comparator)</td> 
   <td>返回流中最大值</td> 
  </tr> 
  <tr> 
   <td>min(Comparator&lt;T&gt; comparator)</td> 
   <td>返回流中最小值</td> 
  </tr> 
 </tbody> 
</table>

### 2.3.2 规约 - 将流中元素结合在一起，返回一个值 ###

<table> 
 <thead> 
  <tr> 
   <th>操作(例举部分)</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>reduce（T identitty，BinaryOperator&lt;T&gt;）</td> 
   <td>需要传一个起始值，然后，传入的是一个二元运算</td> 
  </tr> 
  <tr> 
   <td>reduce（BinaryOperator&lt;T&gt;）</td> 
   <td>没有起始值，有可能结果为空，所以返回的值会被封装到Optional中</td> 
  </tr> 
 </tbody> 
</table>

// 求和
    List<Integer> list = Arrays.asList(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
    Integer sum = list.stream().reduce(0, (x, y) -> x + y);
    
    // 求和，没有起始值，则有可能结果为空，所以返回的值会被封装到Optional中
    List<Integer> list = Arrays.asList(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
    Optional<Integer> sum = list.stream().reduce(Integer :: sum);

### 2.3.3 收集 ###

将流转换为其他形式。接收一个Collector接口的实现，用于给Stream中元素做汇总的方法。Collector接口方法的实现决定了如何对流执行收集操作（如收集到List，Set，Map）。但是Collectors实用类提供了很多静态方法，可以方便地创建常见得收集器实例。

<table> 
 <thead> 
  <tr> 
   <th>操作(例举部分)</th> 
   <th>说明</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td>Collectors.toList()</td> 
   <td>将流转换成List</td> 
  </tr> 
  <tr> 
   <td>Collectors.toSet()</td> 
   <td>将流转换为Set</td> 
  </tr> 
  <tr> 
   <td>Collectors.toCollection(Supplier&lt;T&gt; supplier)</td> 
   <td>将流转换为其他类型的集合</td> 
  </tr> 
  <tr> 
   <td>Collectors.counting()</td> 
   <td>元素个数</td> 
  </tr> 
  <tr> 
   <td>Collectors.averagingInt/Long/Double(Function&lt;T,R&gt; function)</td> 
   <td>平均数，不同之处在于传入得参数类型不同，返回值都为Double</td> 
  </tr> 
  <tr> 
   <td>Collectors.summingInt/Long/Double(Function&lt;T,R&gt; function)</td> 
   <td>求和，不同之处在于传入得参数类型不同，返回值为Integer， Double， Long</td> 
  </tr> 
  <tr> 
   <td>Collectors.maxBy(Comparator&lt;T&gt; comparator)</td> 
   <td>最大值</td> 
  </tr> 
  <tr> 
   <td>Collectors.minBy(Comparator&lt;T&gt; comparator)</td> 
   <td>最小值</td> 
  </tr> 
  <tr> 
   <td>Collectors.groupingBy(Function&lt;T,R&gt; function)</td> 
   <td>分组，返回Map</td> 
  </tr> 
  <tr> 
   <td>Collectors.partitioningBy(Predicate&lt;T&gt; predicate)</td> 
   <td>分区，传入函数返回true和false 分成两个区，返回Map</td> 
  </tr> 
 </tbody> 
</table>

# 3 并行流 #

并行流就是把一个内容分成多个数据块，并用不同的线程分别处理每个数据块的流。Java8中将并行流进行了优化，我们可以很容易的对数据进行并行操作。Stream API可以声明性地通过parallel（）与scqucntial（）在并行流与顺序流之间进行切换。

## 3.1 Fork-Join 框架 ##

Fork—Join框架：是java7提供得一个用于执行任务得框架，就是在必要得情况下，将一个大任务，进行拆分（Fork）成若干个小任务（拆分到不能再拆分），再将一个个的小任务运算得结果进行join汇总。

Fork—Join框架时ExecutorService接口得一种具体实现，目的是为了帮助更好地利用多处理器带来得好处。它是为那些能够被递归地拆分成子任务的工作类型量身设计的。起目的在于能够使用所有有可用的运算能力来提升你的应用的性能。 ![format_png][]

关于 Fork-Join 实现原理请看这篇：图解Fork/Join [https://mp.weixin.qq.com/s/OzZFGW\_8GBYHUa0Ef10WVg][https_mp.weixin.qq.com_s_OzZFGW_8GBYHUa0Ef10WVg]

/**
     * 要想使用Fark—Join，类必须继承RecursiveAction（无返回值）或者 RecursiveTask（有返回值）
     *
     * 计算从 start 到 end 的数字累加
     */
    public class ForkJoin extends RecursiveTask<Long> {
    
        private long start; // 起始数字
        private long end;   // 结束数字
    
        public ForkJoin(long start, long end) {
            this.start = start;
            this.end = end;
        }
    
        // 拆分的最小区间
        private static final long THRESHOLD = 10000L;
    
        @Override
        protected Long compute() {
            // 当区间小于最小区间时，直接计算累加
            if (end - start <= THRESHOLD) {
                long sum = 0;
                for (long i = start; i < end; i++) {
                    sum += i;
                }
                return sum;
            } else { // 否则，将区间一分为二，分给两个不同的线程去计算
                // 注意这里，如果有问题，会抛出java.lang.NoClassDefFoundError: Could not initialize class java.util.concurrent.locks.AbstractQueuedSynchronizer$Node 异常
                long middle = start + (end - start) / 2;
    
                ForkJoin left = new ForkJoin(start, middle);    // 递归，直到分解到最小区间后，开始计算
                left.fork();    // 拆分子任务，压入线程队列
    
                ForkJoin right = new ForkJoin(middle, end);     // 递归，直到分解到最小区间后，开始计算
                right.fork();   // 拆分子任务，压入线程队列
    
                // 合并两部分计算的值
                return left.join() + right.join();
            }
        }
    
        public static void main(String[] args) {
            // 开始时间
            Instant start = Instant.now();
    
            // 这里需要一个线程池的支持
            ForkJoinPool pool = new ForkJoinPool();
    
            // 累加到 1 亿
            ForkJoinTask<Long> task = new ForkJoin(0, 100000000L);
    
            long sum = pool.invoke(task);
    
            // 结束时间
            Instant end = Instant.now();
    
            System.out.println(String.format("累加到1亿的计算时间为：%s 毫秒，值：%s", Duration.between(start, end).toMillis(), sum));
        }
    }

## 3.2 并行流对 Fork-Join 的简化 ##

//开始时间
    Instant start = Instant.now();
    
    long sum = LongStream.rangeClosed(0, 1000000000L)  // 创建0-1亿的数字串行流
    	.parallel()                                 // 转换为并行流，使用Fort-Join框架，缺省使用ForkJoinPool.commonPool()线程池
    	.reduce(0, Long :: sum);        // 规约计算所有元素累加
    
    //结束时间
    Instant end = Instant.now();
    System.out.println(String.format("累加到1亿的计算时间为：%s 毫秒，值：%s", Duration.between(start, end).toMillis(), sum));

## 3.3 并行流的性能 ##

性能测试请看：Stream Performance [https://github.com/CarpenterLee/JavaLambdaInternals/blob/master/8-Stream%20Performance.md][https_github.com_CarpenterLee_JavaLambdaInternals_blob_master_8-Stream_20Performance.md] 此处引用结论：

* 对于简单操作，比如最简单的遍历，Stream串行API性能明显差于显示迭代，但并行的Stream API能够发挥多核特性。
    * 对于复杂操作，Stream串行API性能可以和手动实现的效果匹敌，在并行执行时Stream API效果远超手动实现。
    
    所以，如果出于性能考虑，
    1. 对于简单操作推荐使用外部迭代手动实现，
    2. 对于复杂操作，推荐使用Stream API， 
    3. 在多核情况下，推荐使用并行Stream API来发挥多核优势，
    4. 单核情况下不建议使用并行Stream API。
    
    如果出于代码简洁性考虑，使用Stream API能够写出更短的代码。
    即使是从性能方面说，尽可能的使用Stream API也另外一个优势，
    那就是只要Java Stream类库做了升级优化，代码不用做任何修改就能享受到升级带来的好处。

**最后注意**：在学习Java高级过程中难免会遇到各种问题解决不了。为此我建了个裙 783802103，里面很多架构师一起交流解答，没基础勿进哦！  
本文的文字及图片来源于网络加上自己的想法,仅供学习、交流使用,不具有任何商业用途,版权归原作者所有,如有问题请及时联系我们以作处理

[Java Stream]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cueWh0Ny5jb20vdXBsb2FkL2ltYWdlL2ltYWdlcy9pbWdwcm9ndXBkLzI4LmpwZw?x-oss-process=image/format,png
[format_png]: https://imgconvert.csdnimg.cn/aHR0cHM6Ly93d3cueWh0Ny5jb20vdXBsb2FkL2ltYWdlLzIwMjAwNTIzL3VwLTE5ZjVmZGYwZGQ0M2U1OWEyMTc3ZDQ5YTc1NjViNzBhZWQyLnBuZw?x-oss-process=image/format,png
[https_mp.weixin.qq.com_s_OzZFGW_8GBYHUa0Ef10WVg]: https://mp.weixin.qq.com/s/OzZFGW_8GBYHUa0Ef10WVg
[https_github.com_CarpenterLee_JavaLambdaInternals_blob_master_8-Stream_20Performance.md]: https://github.com/CarpenterLee/JavaLambdaInternals/blob/master/8-Stream%20Performance.md