组装树形结构数据优化思路_时间复杂度O(n）Java语言例子

前言

项目中经常会遇到前端需要展现树形结构数据，比如菜单树、省市区联动，在小数据量的时候，不管用什么算法都可以，但一旦数据大，不同算法的差距就会非常的大。公司的项目中老代码用的是递归方法构建树结构，2万多个数据就需要跑20s，把生产服务器CPU都跑满了，于是对该方法进行重构。

思路

1. 为了不影响传入的数据，需要拷贝原数据集合。（增加和删除频繁，使用LinkedList结构）
2. 拷贝的过程中，一并收集每个节点的id，后面用来判断每个节点的parentId是否存在，不存在则认为是根节点。（为了在比较的时候更快速，使用Set结构）
3. 将集合中的数据用parentId作为key，放入map中，得到Map<String, List<TreeNode>>结构数据。（利用Java8的Collectors.groupingBy获取）
4. 遍历集合，将节点的id作为key，从第3步组装的map中获取子节点，利用Java的地址引用构建树，并且将不是根节点的数据从集合移出。

实现代码 （可以直接运行）

TreeNode

@Data
public class TreeNode {
  private String id;

  private String code;

  private String name;

  private String parentId;

  private List<TreeNode> children;
}

实现代码

  public static List<TreeNode> buildTree(List<Map<String, Object>> oriDataMapList) {
    // 判空
    if (oriDataMapList == null || oriDataMapList.isEmpty()) {
      return new ArrayList<>();
    }
    // 最终要返回的只保留根节点的集合，增删比较多，使用LinkedList
    List<TreeNode> respTreeNodeList = new LinkedList<>();

    // id集合，后面用来判断parentId是否在oriTreeNodeList存在，如果存在则说明是子节点，不存在则认为是根节点
    Set<String> idSet = new HashSet<>(oriDataMapList.size());

    // 拷贝数据
    TreeNode treeNode;
    for (Map map : oriDataMapList) {
      treeNode = new TreeNode();
      treeNode.setId((String) map.get("id"));
      treeNode.setCode((String) map.get("code"));
      treeNode.setName((String) map.get("name"));
      treeNode.setParentId((String) map.get("parentId"));
      // 遍历的时候顺便保存id集合
      idSet.add(treeNode.getId());
      respTreeNodeList.add(treeNode);
    }

    // 获取由parentId作为key的map，同一个父节点的数据已经被汇总成一个list，通过key就能获取
    Map<String, List<TreeNode>> parentIdMap = respTreeNodeList.stream().collect(Collectors.groupingBy(item -> item.getParentId() != null ? item.getParentId() : "nonParent"));

    // 设置children，并从根节点移出不是父节点的数据
    Iterator<TreeNode> iterator = respTreeNodeList.iterator();
    TreeNode node;
    while (iterator.hasNext()) {
      node = iterator.next();
      // 获取当前结点的子节点集合
      node.setChildren(parentIdMap.get(node.getId()));
      // 如果父id在id集合中存在，则说明他不是根节点，移除
      if (idSet.contains(node.getParentId())) {
        iterator.remove();
      }
    }
    return respTreeNodeList;
  }

测试代码

  public static void main(String[] args) {
    // 模拟测试数据
    List<Map<String, Object>> mapList = new ArrayList<>();
    Map<String, Object> map;
    for (int i = 0; i < 1000; i++) {
      String parentId = String.valueOf(UUID.randomUUID());
      map = new HashMap<>();
      map.put("id", parentId);
      // %03d 长度为3，不够的补0
      map.put("code", String.format("%03d", i));
      mapList.add(map);
      for (int j = 0; j < 1000; j++) {
        map = new HashMap<>();
        String id = String.valueOf(UUID.randomUUID());
        map.put("id", id);
        map.put("code", String.format("%03d", i) + String.format("%03d", j));
        map.put("parentId", parentId);
        mapList.add(map);
      }
    }

    long start = System.currentTimeMillis();
    List<TreeNode> treeNodeList = buildTree(mapList);
    String msg = String.format("组装【%s】条数据，耗时【%s】ms", mapList.size(), (System.currentTimeMillis() - start));
    System.out.println(msg);
  }

运行结果

组装【1001000】条数据，耗时【417】ms

结论：
可以看到，跑一百万的数据耗时只有不到0.5s，速度大大优化