玩转 Java 8 Stream API

image-20211031204304133

先贴上几个案例，水平高超的同学可以挑战一下：

  1. 从员工集合中筛选出salary大于8000的员工，并放置到新的集合里。
  2. 统计员工的最高薪资、平均薪资、薪资之和。
  3. 将员工按薪资从高到低排序，同样薪资者年龄小者在前。
  4. 将员工按性别分类，将员工按性别和地区分类，将员工按薪资是否高于8000分为两部分。

用传统的迭代处理也不是很难，但代码就显得冗余了，跟Stream相比高下立判。

1 Stream概述

Java 8 是一个非常成功的版本，这个版本新增的Stream，配合同版本出现的 Lambda ，给我们操作集合（Collection）提供了极大的便利。

那么什么是Stream？

Stream将要处理的元素集合看作一种流，在流的过程中，借助Stream API对流中的元素进行操作，比如：筛选、排序、聚合等。

Stream可以由数组或集合创建，对流的操作分为两种：

  1. 中间操作，每次返回一个新的流，可以有多个。
  2. 终端操作，每个流只能进行一次终端操作，终端操作结束后流无法再次使用。终端操作会产生一个新的集合或值。

另外，Stream有几个特性：

  1. stream不存储数据，而是按照特定的规则对数据进行计算，一般会输出结果。
  2. stream不会改变数据源，通常情况下会产生一个新的集合或一个值。
  3. stream具有延迟执行特性，只有调用终端操作时，中间操作才会执行。

2 Stream的创建

Stream可以通过集合数组创建。

1、通过 java.util.Collection.stream() 方法用集合创建流

List list = Arrays.asList("a", "b", "c");
// 创建一个顺序流
Stream stream = list.stream();
// 创建一个并行流
Stream parallelStream = list.parallelStream();

2、使用java.util.Arrays.stream(T[] array)方法用数组创建流

int[] array={1,3,5,6,8};
IntStream stream = Arrays.stream(array);

3、使用Stream的静态方法：of()、iterate()、generate()

Stream stream = Stream.of(1, 2, 3, 4, 5, 6);

Stream stream2 = Stream.iterate(0, (x) -> x + 3).limit(4);
stream2.forEach(System.out::println); // 0 2 4 6 8 10

Stream stream3 = Stream.generate(Math::random).limit(3);
stream3.forEach(System.out::println);

输出结果：

0 3 6 9

0.6796156909271994 0.1914314208854283 0.8116932592396652

stream和parallelStream的简单区分： stream是顺序流，由主线程按顺序对流执行操作，而parallelStream是并行流，内部以多线程并行执行的方式对流进行操作，但前提是流中的数据处理没有顺序要求。例如筛选集合中的奇数，两者的处理不同之处：

image-20211031203335805

如果流中的数据量足够大，并行流可以加快处速度。

除了直接创建并行流，还可以通过parallel()把顺序流转换成并行流：

Optional findFirst = list.stream().parallel().filter(x->x>6).findFirst();

3 Stream的使用

在使用stream之前，先理解一个概念：Optional 。

Optional类是一个可以为null的容器对象。如果值存在则isPresent()方法会返回true，调用get()方法会返回该对象, 否则会抛出异常。Optional类还可以用更优雅的方式进行判空处理, 更详细说明请见：https://docs.oracle.com/javase/8/docs/api/java/util/Optional.html

接下来，大批代码向你袭来！我将用20个案例将Stream的使用整得明明白白，只要跟着敲一遍代码，就能很好地掌握。

案例使用的员工类

这是案例中使用的员工类：

public class Person {
    private String name;  // 姓名
    private int salary; // 薪资
    private int age; // 年龄
    private String sex; //性别
    private String area;  // 地区

    // 构造方法
    public Person(String name, int salary, String sex, String area) {
        this.name = name;
        this.salary = salary;
        this.age = age;
        this.sex = sex;
        this.area = area;
    }

    public Person(String name, int salary, int age, String sex, String area) {
        this.name = name;
        this.salary = salary;
        this.age = age;
        this.sex = sex;
        this.area = area;
    }

    // 省略了get和set，请自行添加
    public String getName() {
        return name;
    }

    public void setName(String name) {
        this.name = name;
    }

    public int getSalary() {
        return salary;
    }

    public void setSalary(int salary) {
        this.salary = salary;
    }

    public int getAge() {
        return age;
    }

    public void setAge(int age) {
        this.age = age;
    }

    public String getSex() {
        return sex;
    }

    public void setSex(String sex) {
        this.sex = sex;
    }

    public String getArea() {
        return area;
    }

    public void setArea(String area) {
        this.area = area;
    }
}

3.1 遍历/匹配（foreach/find/match）

Stream也是支持类似集合的遍历和匹配元素的，只是Stream中的元素是以Optional类型存在的。Stream的遍历、匹配非常简单。

image-20211031203355248

// 遍历输出符合条件的元素
list.stream().filter(x -> x > 6).forEach(System.out::println);
// 匹配第一个
Optional findFirst = list.stream().filter(x -> x > 6).findFirst();
// 匹配任意（适用于并行流）
Optional findAny = list.parallelStream().filter(x -> x > 6).findAny();
// 是否包含符合特定条件的元素
System.out.println("匹配第一个值：" + findFirst.get());
System.out.println("匹配任意一个值：" + findAny.get());
boolean anyMatch = list.stream().anyMatch(x -> x > 6);
System.out.println("是否存在大于6的值：" + anyMatch);

3.2 筛选（filter）

筛选，是按照一定的规则校验流中的元素，将符合条件的元素提取到新的流中的操作。

image-20211031210320051

案例一：筛选出Integer集合中大于7的元素，并打印出来

List list2 = Arrays.asList(6, 7, 3, 8, 1, 2, 9);
Stream stream = list2.stream();
stream.filter(x -> x > 7).forEach(System.out::println);

预期结果：

8 9

案例二：筛选员工中工资高于8000的人，并形成新的集合。 形成新集合依赖collect（收集），后文有详细介绍。

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
personList.add(new Person("Owen", 9500, "male", "New York"));
personList.add(new Person("Alisa", 7900, "female", "New York"));

// 筛选员工中工资高于8000的人，并形成新的集合
List fiterList = personList.stream().filter(x -> x.getSalary() > 8000).map(Person::getName).collect(Collectors.toList());
System.out.print("高于8000的员工姓名：" + fiterList);

运行结果：

高于8000的员工姓名：[Tom, Anni, Owen]

3.3 聚合（max/min/count)

max、min、count这些字眼你一定不陌生，没错，在mysql中我们常用它们进行数据统计。Java stream 中也引入了这些概念和用法，极大地方便了我们对集合、数组的数据统计工作。

image-20211031203425525

案例一：获取String集合中最长的元素。

// 获取String集合中最长的元素
List list = Arrays.asList("adnm", "admmt", "pot", "xbangd", "weoujgsd");
Optional max = list.stream().max(Comparator.comparing(String::length));
System.out.println("最长的字符串：" + max.get());

输出结果：

最长的字符串：weoujgsd

案例二：获取Integer集合中的最大值。

List list = Arrays.asList(7, 6, 9, 4, 11, 6);

// 自然排序
Optional max = list.stream().max(Integer::compareTo);
Optional max1 = list.stream().max(Comparator.naturalOrder());
System.out.println("自然排序的最大值：" + max.get());
System.out.println("自然排序的最大值：" + max1.get());

// 自定义排序
Optional max2 = list.stream().max((o1, o2) -> o1.compareTo(o2));
System.out.println("自定义排序的最大值：" + max2.get());

输出结果：

自然排序的最大值：11

自定义排序的最大值：11

案例三：获取员工工资最高的人。

List personList = new ArrayList<>();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
personList.add(new Person("Owen", 9500, "male", "New York"));
personList.add(new Person("Alisa", 7900, "female", "New York"));

Optional max = personList.stream().max(Comparator.comparingInt(Person::getSalary));
System.out.println("员工工资最大值：" + max.get().getSalary());

输出结果：

员工工资最大值：9500

案例四：计算Integer集合中大于6的元素的个数。

List list = Arrays.asList(7, 6, 4, 8, 2, 11, 9);
long count = list.stream().filter(x -> x > 6).count();
System.out.println("list中大于6的元素个数：" + count);

输出结果：

list中大于6的元素个数：4

3.4 映射(map/flatMap)

映射，可以将一个流的元素按照一定的映射规则映射到另一个流中。分为map和flatMap：

  • map：接收一个函数作为参数，该函数会被应用到每个元素上，并将其映射成一个新的元素。
  • flatMap：接收一个函数作为参数，将流中的每个值都换成另一个流，然后把所有流连接成一个流。

image-20211031203517018

案例一：英文字符串数组的元素全部改为大写。整数数组每个元素+3。

String[] strArr = { "abcd", "bcdd", "defde", "fTr" };
List strList = Arrays.stream(strArr).map(String::toUpperCase).collect(Collectors.toList());
System.out.println("每个元素大写：" + strList);

List intList = Arrays.asList(1, 3, 5, 7, 9, 11);
List intListNew = intList.stream().map(x -> x + 3).collect(Collectors.toList());
System.out.println("每个元素+3：" + intListNew);

输出结果：

每个元素大写：[ABCD, BCDD, DEFDE, FTR]

每个元素+3：[4, 6, 8, 10, 12, 14]

案例二：将员工的薪资全部增加1000。

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
personList.add(new Person("Owen", 9500, "male", "New York"));
personList.add(new Person("Alisa", 7900, "female", "New York"));

// 不改变原来员工集合的方式
List personListNew = personList.stream().map(person -> {
    Person personNew = new Person(person.getName(), 0, null, null);
    personNew.setSalary(person.getSalary() + 10000);
    return personNew;
}).collect(Collectors.toList());
System.out.println("一次改动前：" + personList.get(0).getName() + "-->" + personList.get(0).getSalary());
System.out.println("一次改动后：" + personListNew.get(0).getName() + "-->" + personListNew.get(0).getSalary());

// 改变原来员工集合的方式
List personListNew2 = personList.stream().map(person -> {
    person.setSalary(person.getSalary() + 10000);
    return person;
}).collect(Collectors.toList());
System.out.println("二次改动前：" + personList.get(0).getName() + "-->" + personListNew.get(0).getSalary());
System.out.println("二次改动后：" + personListNew2.get(0).getName() + "-->" + personListNew.get(0).getSalary());

输出结果：

一次改动前：Tom–>8900

一次改动后：Tom–>18900

二次改动前：Tom–>18900

二次改动后：Tom–>18900

案例三：将两个字符数组合并成一个新的字符数组。

List list = Arrays.asList("m,k,l,a", "1,3,5,7");
List listNew = list.stream().flatMap(s -> {
    // 将每个元素转换成一个stream
    String[] split = s.split(",");
    Stream s2 = Arrays.stream(split);
    return s2;
}).collect(Collectors.toList());

System.out.println("处理前的集合：" + list);
System.out.println("处理后的集合：" + listNew);

输出结果：

处理前的集合：[m-k-l-a, 1-3-5]

处理后的集合：[m, k, l, a, 1, 3, 5, 7]

3.5 归约(reduce)

归约，也称缩减, 其实就是从前往后两两归并, 最后得到一个总的归并的结果，从结果来看是把一个流缩减成一个值，能实现对集合求和、求乘积和求最值操作。

image-20211031203558850

案例一：求Integer集合的元素之和、乘积和最大值。

List list = Arrays.asList(1, 3, 2, 8, 11, 4);
// 求和方式1
Optional sum = list.stream().reduce((x, y) -> x + y);
// 求和方式2
Optional sum2 = list.stream().reduce(Integer::sum);
// 求和方式3 - 第一个参数是第一次用于累加的数
Integer sum3 = list.stream().reduce(0, Integer::sum);
System.out.println("list求和：" + sum.get() + "," + sum2.get() + "," + sum3);

// 求乘积
Optional product = list.stream().reduce((x, y) -> x * y);
System.out.println("list求积：" + product.get());

// 求最大值方式1
Optional max = list.stream().reduce((x, y) -> x > y ? x : y);
// 求最大值写法2 - 第一个参数是第一次用于比较的数
Integer max2 = list.stream().reduce(Integer.MIN_VALUE, Integer::max);
System.out.println("list求最大值：" + max.get() + "," + max2);

输出结果：

list求和：29,29,29

list求积：2112 list

list求最大值：11,11

案例二：求所有员工的工资之和和最高工资。

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
personList.add(new Person("Owen", 9500, "male", "New York"));
personList.add(new Person("Alisa", 7900, "female", "New York"));

// 求工资之和方式1：
Optional sumSalary = personList.stream().map(Person::getSalary).reduce(Integer::sum);
// 求工资之和方式2：
Integer sumSalary2 = personList.stream().reduce(0, (first, second) -> first += second.getSalary(),
        (sum1, sum2) -> sum1 + sum2);
// 求工资之和方式3：
Integer sumSalary3 = personList.stream().reduce(0, (first, second) -> first += second.getSalary(), Integer::sum);
System.out.println("工资之和：" + sumSalary.get() + "," + sumSalary2 + "," + sumSalary3);

// 求最高工资方式1：
Integer maxSalary = personList.stream().reduce(0, (max, p) -> max > p.getSalary() ? max : p.getSalary(),
        Integer::max);
// 求最高工资方式2：
Integer maxSalary2 = personList.stream().reduce(0, (max, p) -> max > p.getSalary() ? max : p.getSalary(),
        (max1, max2) -> max1 > max2 ? max1 : max2);
System.out.println("最高工资：" + maxSalary + "," + maxSalary2);

输出结果：

工资之和：49300,49300,49300

最高工资：9500,9500

3.6 收集(collect)

collect，收集，可以说是内容最繁多、功能最丰富的部分了。从字面上去理解，就是把一个流收集起来，最终可以是收集成一个值也可以收集成一个新的集合。

collect主要依赖java.util.stream.Collectors类内置的静态方法。

3.6.1 归集(toList/toSet/toMap)

因为流不存储数据，那么在流中的数据完成处理后，需要将流中的数据重新归集到新的集合里。toList、toSet和toMap比较常用，另外还有toCollection、toConcurrentMap等复杂一些的用法。

下面用一个案例演示toList、toSet和toMap：

List list = Arrays.asList(1, 6, 3, 4, 6, 7, 9, 6, 20);
List listNew = list.stream().filter(x -> x % 2 == 0).collect(Collectors.toList());
System.out.println("toList:" + listNew);

Set set = list.stream().filter(x -> x % 2 == 0).collect(Collectors.toSet());
System.out.println("toSet:" + set);

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
Map map = personList.stream().filter(p -> p.getSalary() > 8000)
        .collect(Collectors.toMap(Person::getName, p -> p));
System.out.println("toMap:" + map);

运行结果：

toList：[6, 4, 6, 6, 20]

toSet：[4, 20, 6]

toMap：{Tom=mutest.Person@5fd0d5ae, Anni=mutest.Person@2d98a335}

3.6.2 统计(count/averaging)

Collectors提供了一系列用于数据统计的静态方法：

  • 计数：count
  • 平均值：averagingInt、averagingLong、averagingDouble
  • 最值：maxBy、minBy
  • 求和：summingInt、summingLong、summingDouble
  • 统计以上所有：summarizingInt、summarizingLong、summarizingDouble

案例：统计员工人数、平均工资、工资总额、最高工资。

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));

// 求总数
// Long count = (long) personList.size();
// Long count = personList.stream().count();
Long count = personList.stream().collect(Collectors.counting());
System.out.println("员工总数：" + count);

// 求平均工资
Double average = personList.stream().collect(Collectors.averagingDouble(Person::getSalary));
System.out.println("员工平均工资：" + average);

// 求最高工资
Optional max = personList.stream().map(Person::getSalary).collect(Collectors.maxBy(Integer::compare));
System.out.println("员工最高工资：" + max);

// 求工资之和
Integer sum = personList.stream().collect(Collectors.summingInt(Person::getSalary));
System.out.println("员工工资总和：" + sum);

// 一次性统计所有信息
DoubleSummaryStatistics collect = personList.stream().collect(Collectors.summarizingDouble(Person::getSalary));
System.out.println("员工工资所有统计：" + collect);

运行结果：

员工总数：3 员工平均工资：7900.0 员工工资总和：23700 员工工资所有统计：DoubleSummaryStatistics{count=3, sum=23700.000000,min=7000.000000, average=7900.000000, max=8900.000000}

3.6.3 分组(partitioningBy/groupingBy)

  • 分区：将stream按条件分为两个Map，比如员工按薪资是否高于8000分为两部分。
  • 分组：将集合分为多个Map，比如员工按性别分组。有单级分组和多级分组。

image-20211031203705460

案例：将员工按薪资是否高于8000分为两部分；将员工按性别和地区分组

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, "male", "New York"));
personList.add(new Person("Jack", 7000, "male", "Washington"));
personList.add(new Person("Lily", 7800, "female", "Washington"));
personList.add(new Person("Anni", 8200, "female", "New York"));
personList.add(new Person("Owen", 9500, "male", "New York"));
personList.add(new Person("Alisa", 7900, "female", "New York"));

// 将员工按薪资是否高于8000分组
Map> part = personList.stream().collect(Collectors.partitioningBy(x -> x.getSalary() > 8000));
// 将员工按性别分组
Map> group = personList.stream().collect(Collectors.groupingBy(Person::getSex));
// 将员工先按性别分组，再按地区分组
Map>> group2 = personList.stream().collect(Collectors.groupingBy(Person::getSex, Collectors.groupingBy(Person::getArea)));
System.out.println("员工按薪资是否大于8000分组情况：" + part);
System.out.println("员工按性别分组情况：" + group);
System.out.println("员工按性别、地区：" + group2);

输出结果：

员工按薪资是否大于8000分组情况：{false=[mutest.Person@2d98a335, mutest.Person@16b98e56, mutest.Person@7ef20235], true=[mutest.Person@27d6c5e0, mutest.Person@4f3f5b24, mutest.Person@15aeb7ab]}  

员工按性别分组情况：{female=[mutest.Person@16b98e56, mutest.Person@4f3f5b24, mutest.Person@7ef20235], male=[mutest.Person@27d6c5e0, mutest.Person@2d98a335, mutest.Person@15aeb7ab]}  

员工按性别、地区：{female={New York=[mutest.Person@4f3f5b24, mutest.Person@7ef20235], Washington=[mutest.Person@16b98e56]}, male={New York=[mutest.Person@27d6c5e0, mutest.Person@15aeb7ab], Washington=[mutest.Person@2d98a335]}}

3.6.4 接合(joining)

joining可以将stream中的元素用特定的连接符（没有的话，则直接连接）连接成一个字符串。

List personList = new ArrayList();
personList.add(new Person("Tom", 8900, 23, "male", "New York"));
personList.add(new Person("Jack", 7000, 25, "male", "Washington"));
personList.add(new Person("Lily", 7800, 21, "female", "Washington"));

String names = personList.stream().map(p -> p.getName()).collect(Collectors.joining(","));
System.out.println("所有员工的姓名：" + names);
List list = Arrays.asList("A", "B", "C");
String string = list.stream().collect(Collectors.joining("-"));
System.out.println("拼接后的字符串：" + string);

运行结果：

所有员工的姓名：Tom,Jack,Lily 拼接后的字符串：A-B-C

3.6.5 集合工具类的归约方法(reducing)

stream本身的reduce方法也可以替换成Collectors类提供的reducing`方法。

List personList = new ArrayList<>();
personList.add(new Person("Tom", 8900, 23, "male", "New York"));
personList.add(new Person("Jack", 7000, 25, "male", "Washington"));
personList.add(new Person("Lily", 7800, 21, "female", "Washington"));

// 每个员工减去起征点后的薪资之和（这个例子并不严谨，但一时没想到好的例子）
Integer sum1 = personList.stream().collect(Collectors.reducing(0, Person::getSalary, (i, j) -> (i + j - 5000)));
Integer sum2 = personList.stream().collect(Collectors.reducing(0, Person::getSalary, (i, j) -> (i + j - 5000)));
System.out.println("员工扣税薪资总和：" + sum1);
System.out.println("员工扣税薪资总和：" + sum2);

// stream的reduce(建议)
Optional sum3 = personList.stream().map(Person::getSalary).reduce(Integer::sum);
System.out.println("员工薪资总和：" + sum3.get());

运行结果：

员工扣税薪资总和：8700 员工薪资总和：23700

3.7 排序(sorted)

sorted，中间操作。有两种排序：

  • sorted()：自然排序，流中元素需实现Comparable接口
  • sorted(Comparator com)：Comparator排序器自定义排序

案例：将员工按工资由高到低（工资一样则按年龄由大到小）排序

List personList = new ArrayList();

personList.add(new Person("Sherry", 9000, 24, "female", "New York"));
personList.add(new Person("Tom", 8900, 22, "male", "Washington"));
personList.add(new Person("Jack", 9000, 25, "male", "Washington"));
personList.add(new Person("Lily", 8800, 26, "male", "New York"));
personList.add(new Person("Alisa", 9000, 26, "female", "New York"));

// 按工资升序排序（自然排序）
List newList = personList.stream().sorted(Comparator.comparing(Person::getSalary)).map(Person::getName)
        .collect(Collectors.toList());
// 按工资倒序排序
List newList2 = personList.stream().sorted(Comparator.comparing(Person::getSalary).reversed())
        .map(Person::getName).collect(Collectors.toList());
// 先按工资再按年龄升序排序
List newList3 = personList.stream()
        .sorted(Comparator.comparing(Person::getSalary).thenComparing(Person::getAge)).map(Person::getName)
        .collect(Collectors.toList());
// 先按工资再按年龄自定义排序（降序）
List newList4 = personList.stream().sorted((p1, p2) -> {
    if (p1.getSalary() == p2.getSalary()) {
        return p2.getAge() - p1.getAge(); // 降序
    } else {
        return p2.getSalary() - p1.getSalary(); // 降序
    }
}).map(Person::getName).collect(Collectors.toList());

System.out.println("按工资升序排序：" + newList);
System.out.println("按工资降序排序：" + newList2);
System.out.println("先按工资再按年龄升序排序：" + newList3);
System.out.println("先按工资再按年龄自定义降序排序：" + newList4);

运行结果：

按工资自然排序：[Lily, Tom, Sherry, Jack, Alisa] 按工资降序排序：[Sherry, Jack, Alisa,Tom, Lily] 先按工资再按年龄自然排序：[Sherry, Jack, Alisa, Tom, Lily] 先按工资再按年龄自定义降序排序：[Alisa, Jack, Sherry, Tom, Lily]

3.8 提取/组合

流也可以进行合并、去重、限制、跳过等操作。

image-20211031204447910

String[] arr1 = { "a", "b", "c", "d" };
String[] arr2 = { "d", "e", "f", "g" };

Stream stream1 = Stream.of(arr1);
Stream stream2 = Stream.of(arr2);

// concat:合并两个流 distinct：去重
List newList = Stream.concat(stream1, stream2).distinct().collect(Collectors.toList());
System.out.println("concat and distinct：" + newList);

// limit：限制从流中获得前n个数据
// iterate: Returns an stream by a function to an initial element(seed)
List collect = Stream.iterate(1, x -> x + 2).limit(10).collect(Collectors.toList());
System.out.println("limit：" + collect);

// skip：跳过前n个数据
List collect2 = Stream.iterate(1, x -> x + 2).skip(1).limit(5).collect(Collectors.toList());
System.out.println("skip：" + collect2);

运行结果：

流合并：[a, b, c, d, e, f, g] limit：[1, 3, 5, 7, 9, 11, 13, 15, 17, 19] skip：[3, 5, 7, 9, 11]

原文链接及版权说明:

原文链接：https://blog.csdn.net/mu_wind/article/details/109516995

版权声明：本文为CSDN博主「云深i不知处」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。

并行流

对于CPU密集型任务使用并行流可以利用多线程提高执行效率.这里使用线程的sleep方法来模拟耗时的CPU密集型任务(经实验只有出现阻塞线程的操作才会使用多线程, 否则只会在主线程中进行计算), 这样实际计算就会启动ForkJoinPool中的worker线程来并发执行提高计算效率.

默认worker数量是CPU核数-1, 但是可以使用虚拟机选项-Djava.util.concurrent.ForkJoinPool.common.parallelism=N设置worker的数量为N(最大值为32767)。

    @Test
    public void loopingTest(){
        // 顺序流
        AtomicInteger result = new AtomicInteger();
        long start = System.nanoTime();
        for (int x = 1; x < 1000; x++) {
            Utils.sleep(10);
            result.addAndGet(x);
        }
        long end = System.nanoTime();
        System.out.printf("time spent for normal  looping: %.3f sec.%n",(end-start)*1E-9);
    }

    @Test
    public void sequenceStreamTest(){
        // 顺序流
        AtomicInteger result = new AtomicInteger();
        long start = System.nanoTime();
        IntStream.range(1, 1000).forEach(x->{
            Utils.sleep(10);
            result.addAndGet(x);
        });
        long end = System.nanoTime();
        System.out.printf("time spent for sequence stream: %.3f sec.%n",(end-start)*1E-9);
    }

    @Test
    public void parallelStreamTest(){
        // 并行流
        // 对于CPU密集型任务使用并行流可以提高执行效率
        // 此系统属性用来指定并行流计算所使用的 ForkJoinPool.commonPool-worker 的线程数量(并行度)
        System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "50");
        AtomicInteger result = new AtomicInteger();
        long start = System.nanoTime();
        IntStream.range(1, 1000).parallel().forEach(x->{
            Utils.sleep(10);
            result.addAndGet(x);
        });
        long end = System.nanoTime();
        System.out.printf("time spent for parallel stream: %.3f sec.%n",(end-start)*1E-9);
    }

输出结果:

time spent for parallel stream:  0.376 sec.
time spent for sequence stream: 15.917 sec.
time spent for normal  looping: 17.574 sec.

可以看到,当ForkJoinPool.commonPool-worker数量为50时, 原来顺使用序流需要运行17秒, 而并行流只需要1秒不到.

使用并行流实现WordCount

再看另一个例子, 分别使用顺序流和并行流(并行度设置为100)计算词频统计.

    @Test
    public void wordCountBySequenceStream() {

        List lines;
        lines = Arrays.asList(
                "the cow jumped over the moon",
                "an apple a day keep the doctor away",
                "snow white and the seven dwarfs",
                "i am at two with nature",
                "the cow jumped over the moon",
                "an apple a day keep the doctor away",
                "snow white and the seven dwarfs",
                "i am at two with nature"
        );

        HashMap resultMap = new HashMap<>();

        long start = System.nanoTime();
        lines.stream().flatMap(line -> {
                    Utils.sleep(50);
                    return Arrays.stream(line.toLowerCase().split(" "));
                }
        ).forEach(word -> {
            Utils.sleep(50);
            if (resultMap.containsKey(word)) {
                resultMap.put(word, resultMap.get(word) + 1L);
            } else {
                resultMap.put(word, 1L);
            }
        });
        long end = System.nanoTime();
        System.out.printf("time spent for wordcount by sequence stream: %.3f sec.%n", (end - start) * 1E-9);

        resultMap.forEach(MxWordCountByParalleStreamTest::accept);
    }

    @Test
    public void wordCountByParallelStream() {
        System.setProperty("java.util.concurrent.ForkJoinPool.common.parallelism", "100");

        List lines;
        lines = Arrays.asList(
                "the cow jumped over the moon",
                "an apple a day keep the doctor away",
                "snow white and the seven dwarfs",
                "i am at two with nature",
                "the cow jumped over the moon",
                "an apple a day keep the doctor away",
                "snow white and the seven dwarfs",
                "i am at two with nature"
        );

        HashMap resultMap = new HashMap<>();

        long start = System.nanoTime();
        lines.parallelStream().flatMap(line -> {
            Utils.sleep(50);
            return Arrays.stream(line.toLowerCase().split(" "));
        }).forEach(word -> {
            Utils.sleep(50);
            if (resultMap.containsKey(word)) {
                resultMap.put(word, resultMap.get(word) + 1L);
            } else {
                resultMap.put(word, 1L);
            }
        });
        long end = System.nanoTime();
        System.out.printf("time spent for wordcount by parallel stream: %.3f sec.%n", (end - start) * 1E-9);
        resultMap.forEach(MxWordCountByParalleStreamTest::accept);
    }

    private static void accept(String word, Long count) {
        System.out.println(word + ": " + count);
    }

执行结果:

time spent for wordcount by parallel stream: 1.999 sec.
over: 2
a: 2
away: 2
nature: 2
jumped: 2
i: 2
seven: 2
cow: 2
am: 2
an: 2
two: 2
dwarfs: 2
the: 8
doctor: 2
apple: 2
with: 2
moon: 2
at: 2
white: 2
snow: 2
and: 2
keep: 2
day: 2
time spent for wordcount by sequence stream: 3.850 sec.
over: 2
a: 2
away: 2
nature: 2
jumped: 2
seven: 2
i: 2
cow: 2
am: 2
an: 2
two: 2
dwarfs: 2
the: 8
doctor: 2
apple: 2
with: 2
moon: 2
at: 2
white: 2
snow: 2
and: 2
keep: 2
day: 2

Process finished with exit code 0

可见使用并行流可以节省一半的时间.

需要特别注意的是, 不是任何情况下使用并行流都可以节省时间, 并且使用时还要特别当心是否有线程安全问题.

Views: 539

其他关联文章:

  1. Exception Handling in Java
  2. Java带Jar包编译方式

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

内容大纲

← Index