系统指标优化 & Stream流 API使用及源码分析

java 8 Stream流 api 使用

（1）集合筛选，为什么此处要使用 Collectors.toMap 加 Function.identity() 的方式，而不使用简单的filter过滤呢？
Stream流 API 代码: collect(Collectors.toMap(GoldTagResponse::getValue, Function.identity(), (p1, p2) -> p1)).values())


首先在Mybatis的sql中是已经做过value_type 和 falgs 这两种熟悉的字段筛选，但是筛选后的数据仍然存储falgs不为0或4的情况，value_type展示能够保住，
所以为了保住查询数据的稳定性，在mybatis sql查询之后在代码层面做第二次集合过滤，那么这里为什么需要做toMap的操作呢？因为我是根据查询数据根据value值进行降序排序的，
但是排序后的数据中会存在很多value数据相同的值,导致排序后的数据不能很好的展示，于是现在使用Stream流对集合中的value字段进行去重操作，看看能否达到排序后数据不重复的现象
去重方式有多种，一种是使用Set集合、一种是使用重新HashCode和equlas的方式、一种是转Map的方式、还有直接对单属性去重 distinct()方法
由于转Map的方式最直接且易用，故选择 Collectors.toMap
这个APi的Function.identity()以及(p1, p2) -> p1是什么意思呢？
Function.identity()返回一个输出跟输入一样的Lambda表达式对象，等价于形如t -> t形式的Lambda表达式
Function.identity()源码：返回一个 始终返回其输入参数的函数

(p1, p2) -> p1
元素p1与p2相同，则取其一

identify() 就是 Function 接口的一个 static 方法
Function.identity()学习地址：Lambda学习地址

可以看到Collectors.toMap入参需要传入Function函数，用于生成Map集合的key 和 value

在Map集合中，如果key相同，则新的value会覆盖旧的value
HahsMap集合使用put方法时，底层会调用hashCode方法将key转换为hash值，然后根据哈希函数/哈希算法将哈希值转换为数组下标，若此下标的数组没有元素，则直接添加，若此下标的数组有链表，
则将key与链表中每个节点的key进行equals比对，若都返回false，则将元素添加在链表末尾，若返回true，则将此节点的value覆盖

我的理解，这里去重其实就是利用了HashMap的key相等覆盖值的原理进行去重，将我需要过滤去重的value值作为Map的key存入，需要过滤的集合作为Map的value存入，
如果value重复那么重复的key也只会保存一份，但是Map的value只会保存最新的一份，所以就将重复的数据过滤掉了，其实可以手动写一个HashMap用这种方式存入value即可

下面是HashMap 的key重复则覆盖的源码，可以看到如果计算出的hash值如果相同，则进一步比较key的值使用equlas比较存入key的内容是否重复，如果重复则覆盖这个key原有的value

实战代码中使用，Function.identity()其实就是参数引用传入的意思，这里是将整个集合传入，用于过滤

最后过滤出的是Map集合，所以使用value获取Map集合的value值，也就是上面传入的集合List res ，最后将去重后的集合进行转换为原类型集合

value()方法返回当前Map集合的value值

（2）使用contains包含字符串的方式过滤出 多种前缀的字符属性，类型sql 中的 like + concat(‘%’,‘xxx’,‘%’)的方式，因为sql中是查出了多种监控项指标，
这里是取出具体的指标，但是这个指标是有很多种类型，也就是多个前缀不同的字符串，所以需要再次concat过滤

（3）
peek使用
peek函数同map函数，都是对集合中的数据进行处理然后转换，但是map对集合处理之后是有返回值的，也就是集合的结果，一般用map的时候都需要结束当前Stream流的链式操作
所以map我一般都会放在结尾使用，但是有时候需要优先对集合处理然后再进行排序或其他操作，这里就可以使用peek的方式，作用在Stream流的中间，因为peek传入的是Consumer无集合返回，而map传入的
是function有集合返回的



可以看到accept的返回类型是void，无返回

查看map源码层级关系

可以看到map是有返回值的，类型R为入参输入的类型

黄金指标优化代码：

IaaS黄金指标查询sql：

IaaS黄金指标查询数据筛选完成最终效果展示：
IaaS:{“IaaS”:{“物理内存使用率(Used)”:[{“name”:“物理内存使用率(Used)”,“host”:“133.0.210.62”,“value”:“84.98”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.207.143”,“value”:“76.39”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.208.173”,“value”:“69.60”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.210.63”,“value”:“66.75”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.173”,“value”:“63.96”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.178”,“value”:“62.45”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.190”,“value”:“61.91”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.186”,“value”:“61.44”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.185”,“value”:“61.35”},{“name”:“物理内存使用率(Used)”,“host”:“133.0.206.191”,“value”:“61.17”}],“文件系统分区使用率”:[{“name”:“(dba)/nvme1 文件系统分区使用率”,“host”:“133.0.206.185”,“value”:“87.00”},{“name”:“/data14 文件系统分区使用率”,“host”:“133.0.217.38”,“value”:“85.00”},{“name”:“/data13 文件系统分区使用率”,“host”:“133.0.217.38”,“value”:“84.00”},{“name”:“/data13 文件系统分区使用率”,“host”:“133.0.217.37”,“value”:“83.00”},{“name”:“/data14 文件系统分区使用率”,“host”:“133.0.217.37”,“value”:“82.00”},{“name”:“/data14 文件系统分区使用率”,“host”:“133.0.217.40”,“value”:“81.00”},{“name”:“/data13 文件系统分区使用率”,“host”:“133.0.217.40”,“value”:“80.00”},{“name”:“/data14 文件系统分区使用率”,“host”:“133.0.217.39”,“value”:“79.00”},{“name”:“/data13 文件系统分区使用率”,“host”:“133.0.217.39”,“value”:“78.00”},{“name”:“/ 文件系统分区使用率”,“host”:“133.0.208.173”,“value”:“77.00”}],“文件系统inode使用率”:[{“name”:“/data 文件系统inode使用率”,“host”:“133.0.209.81”,“value”:“2.00”},{“name”:“/boot 文件系统inode使用率”,“host”:“133.0.207.143”,“value”:“1.00”}],“虚拟内存使用率”:[{“name”:“虚拟内存使用率”,“host”:“133.0.217.111”,“value”:“100.00”},{“name”:“虚拟内存使用率”,“host”:“133.0.217.36”,“value”:“8.91”},{“name”:“虚拟内存使用率”,“host”:“133.0.209.6”,“value”:“0.81”},{“name”:“虚拟内存使用率”,“host”:“133.0.207.143”,“value”:“0.59”},{“name”:“虚拟内存使用率”,“host”:“133.0.210.62”,“value”:“0.46”},{“name”:“虚拟内存使用率”,“host”:“133.0.209.139”,“value”:“0.44”},{“name”:“虚拟内存使用率”,“host”:“133.0.217.52”,“value”:“0.32”},{“name”:“虚拟内存使用率”,“host”:“133.0.217.43”,“value”:“0.04”},{“name”:“虚拟内存使用率”,“host”:“133.0.210.36”,“value”:“0.02”},{“name”:“虚拟内存使用率”,“host”:“133.0.210.63”,“value”:“0.01”}],“CPU使用率”:[{“name”:“CPU使用率”,“host”:“133.0.207.143”,“value”:“89.80”},{“name”:“CPU使用率”,“host”:“133.0.207.210”,“value”:“58.30”},{“name”:“CPU使用率”,“host”:“133.0.207.209”,“value”:“41.60”},{“name”:“CPU使用率”,“host”:“133.0.210.72”,“value”:“27.80”},{“name”:“CPU使用率”,“host”:“133.0.207.144”,“value”:“27.60”},{“name”:“CPU使用率”,“host”:“133.0.209.5”,“value”:“22.00”},{“name”:“CPU使用率”,“host”:“133.0.210.69”,“value”:“18.20”},{“name”:“CPU使用率”,“host”:“133.0.210.64”,“value”:“15.60”},{“name”:“CPU使用率”,“host”:“133.0.210.71”,“value”:“14.10”},{“name”:“CPU使用率”,“host”:“133.0.217.38”,“value”:“13.90”}]}}
下面是经过去重后的排序数据，根据value去重+降序排序，最后取Top10前10条数据：
物理内存使用率（Used） top10:

文件系统分区使用率 top10

去重前的效果：