玩转 Java 8 Stream API

先贴上几个案例，水平高超的同学可以挑战一下：

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。
统计员工的最高薪资、平均薪资、薪资之和。
将员工按薪资从高到低排序，同样薪资者年龄小者在前。
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：

中间操作，每次返回一个新的流，可以有多个。
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：

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。
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。
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<String> list = Arrays.asList("a", "b", "c");

// 创建一个顺序流

Stream<String> stream = list.stream();

// 创建一个并行流

Stream<String> parallelStream = list.parallelStream();

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

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

Stream<Integer> stream2 = Stream.iterate(0, (x) -> x + 3).limit(4);

stream2.forEach(System.out::println); // 0 2 4 6 8 10

Stream<Double> 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：

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：

1	Optional<Integer> 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。

// 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<Integer> findFirst = list.stream().filter(x -> x > 6).findFirst();

// 匹配任意（适用于并行流）

Optional<Integer> 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。

案例一：筛选出Integer集合中大于7的元素，并打印出来

List<Integer> list2 = Arrays.asList(6, 7, 3, 8, 1, 2, 9);

Stream<Integer> 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<Person> personList = new ArrayList<Person>();

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<String> 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。

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<String> list = Arrays.asList("adnm", "admmt", "pot", "xbangd", "weoujgsd");

Optional<String> 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<Integer> list = Arrays.asList(7, 6, 9, 4, 11, 6);

// 自然排序

Optional<Integer> max = list.stream().max(Integer::compareTo);

Optional<Integer> 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<Integer> 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<Person> 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<Person> 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<Integer> 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。

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<String> strList = Arrays.stream(strArr).map(String::toUpperCase).collect(Collectors.toList());

System.out.println("每个元素大写：" + strList);

List<Integer> intList = Arrays.asList(1, 3, 5, 7, 9, 11);

List<Integer> 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<Person> personList = new ArrayList<Person>();

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<Person> 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<Person> 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<String> list = Arrays.asList("m,k,l,a", "1,3,5,7");

List<String> listNew = list.stream().flatMap(s -> {

// 将每个元素转换成一个stream

String[] split = s.split(",");

Stream<String> 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。

案例一：求Integer集合的元素之和、乘积和最大值。

List<Integer> list = Arrays.asList(1, 3, 2, 8, 11, 4);

// 求和方式1

Optional<Integer> sum = list.stream().reduce((x, y) -> x + y);

// 求和方式2

Optional<Integer> 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<Integer> product = list.stream().reduce((x, y) -> x * y);

System.out.println("list求积：" + product.get());

// 求最大值方式1

Optional<Integer> 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<Person> personList = new ArrayList<Person>();

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<Integer> 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<Integer> list = Arrays.asList(1, 6, 3, 4, 6, 7, 9, 6, 20);

List<Integer> listNew = list.stream().filter(x -> x % 2 == 0).collect(Collectors.toList());

System.out.println("toList:" + listNew);

Set<Integer> set = list.stream().filter(x -> x % 2 == 0).collect(Collectors.toSet());

System.out.println("toSet:" + set);

List<Person> personList = new ArrayList<Person>();

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<?, Person> 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<Person> personList = new ArrayList<Person>();

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<Integer> 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。

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<Person> personList = new ArrayList<Person>();

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<Boolean, List<Person>> part = personList.stream().collect(Collectors.partitioningBy(x -> x.getSalary() > 8000));

// 将员工按性别分组

Map<String, List<Person>> group = personList.stream().collect(Collectors.groupingBy(Person::getSex));

// 将员工先按性别分组，再按地区分组

Map<String, Map<String, List<Person>>> 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<Person> personList = new ArrayList<Person>();

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<String> 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<Person> 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<Integer> 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<Person> personList = new ArrayList<Person>();

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<String> newList = personList.stream().sorted(Comparator.comparing(Person::getSalary)).map(Person::getName)

.collect(Collectors.toList());

// 按工资倒序排序

List<String> 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<String> 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<String> 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。

String[] arr1 = { "a", "b", "c", "d" };

String[] arr2 = { "d", "e", "f", "g" };

Stream<String> stream1 = Stream.of(arr1);

Stream<String> stream2 = Stream.of(arr2);

// concat:合并两个流 distinct：去重

List<String> 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<Integer> 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<Integer> 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<String> 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<String, Long> 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<String> 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<String, Long> 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.

2021 年 11 月
一	二	三	四	五	六	日
1	2	3	4	5	6	7
8	9	10	11	12	13	14
15	16	17	18	19	20	21
22	23	24	25	26	27	28
29	30

1 Stream概述

2 Stream的创建

3 Stream的使用

案例使用的员工类

3.1 遍历/匹配（foreach/find/match）

3.2 筛选（filter）

3.3 聚合（max/min/count)

3.4 映射(map/flatMap)

3.5 归约(reduce)

3.6 收集(collect)

3.6.1 归集(toList/toSet/toMap)

3.6.2 统计(count/averaging)

3.6.3 分组(partitioningBy/groupingBy)

3.6.4 接合(joining)

3.6.5 集合工具类的归约方法(reducing)

3.7 排序(sorted)

3.8 提取/组合

并行流

使用并行流实现WordCount

其他关联文章:

发表回复 取消回复

发表回复取消回复