java应用最小匹配实例_Java之Stream如何运用？案例详解

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

Stream 创建： 一个数据源(集合，数组)，获取一个流。

Stream 中间操作： 一个中间操作链，对数据源的数据进行处理。

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 list = new ArrayList();

Stream stream11 = list.stream(); // 串行流

Stream 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 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 stream41 = Stream.iterate(2, (x) -> x * 2); // 串行流

Stream 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’

中间操作(例举部分)

说明

limit(long maxSize)

截断，使其元素不超过给定数量

filter(Predicate predicate)

过滤，从流中过滤出想要的元素

skip(long n)

忽略，跳过前n个元素，若流中元素不足n个，则返回空

distinct()

去重，通过元素 hashCode() 和 equals() 去除重复元素

map(Funcation mapper)

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

flatMap(Function mapper)

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

sorted()

排序，自然排序

sorted(Comparator comparator)

排序，定制排序

// 中间操作：不会执行任何操作

Stream 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 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 filterCharacter(String str){

List 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

操作(例举部分)

说明

allMatch(Predicate predicate)

检查是否匹配所有元素

anyMatch(Predicate predicate)

检查是否至少匹配所有元素

noneMatch(Predicate predicate)

检查是否没有匹配所有元素

findFirst()

返回第一个元素

findAny()

返回当前流中任意元素

count()

返回流中元素总个数

max(Comparator comparator)

返回流中最大值

min(Comparator comparator)

返回流中最小值

2.3.2 规约 - 将流中元素结合在一起，返回一个值

操作(例举部分)

说明

reduce(T identitty，BinaryOperator)

需要传一个起始值，然后，传入的是一个二元运算

reduce(BinaryOperator)

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

// 求和

List 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 list = Arrays.asList(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10);

Optional 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。

操作(例举部分)

说明

Collectors.toList()

将流转换成List

Collectors.toSet()

将流转换为Set

Collectors.toCollection(Supplier supplier)

将流转换为其他类型的集合

Collectors.counting()

元素个数

Collectors.averagingInt/Long/Double(Function function)

平均数，不同之处在于传入得参数类型不同，返回值都为Double

Collectors.summingInt/Long/Double(Function function)

求和，不同之处在于传入得参数类型不同，返回值为Integer， Double， Long

Collectors.maxBy(Comparator comparator)

最大值

Collectors.minBy(Comparator comparator)

最小值

Collectors.groupingBy(Function function)

分组，返回Map

Collectors.partitioningBy(Predicate predicate)

分区，传入函数返回true和false 分成两个区，返回Map

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。

/**

* 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 {

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 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

* 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