汉字排序最简实现

public static void main(String[] args) {
        List<String> strings = Arrays.asList("张三", "王五", "安娜", "李四", "张志东", "杨天华");

        List<String> sorted = strings.stream().sorted(Collator.getInstance(Locale.CHINESE)).collect(Collectors.toList());
        System.out.println("自然正序排序"+JSON.toJSON(sorted));

        List<String> sorted1 = strings.stream().sorted(Collections.reverseOrder(Collator.getInstance(Locale.CHINESE))).collect(Collectors.toList());
        System.out.println("汉子倒序排序"+JSON.toJSON(sorted1));
    }


输出结果：
自然正序排序["安娜","李四","王五","杨天华","张三","张志东"]
汉子倒序排序["张志东","张三","杨天华","王五","李四","安娜"]

java8之Lambda表达式 4：MapReduce开发案例

简介

通过Lambda中的Stream接口实现MapReduce工具，简单理解就类似于sql之中的分组统计工具，只不过MapReduce是一种可以针对每个数据处理+集合的最终统计操作。

具体内容

集合不管怎么改变，它一定是一个动态数组，所以整个MapReduce操作都围绕着对象完成。
范例：定义一个购物车类，在集合类里面会保存有多个Car类的对象

public class Car {

    private String pname;
    private Integer amouter;
    private Double price;

    public Car(String pname, Integer amouter, Double price) {
        super();
        this.pname = pname;
        this.amouter = amouter;
        this.price = price;
    }
    public Car() {
        super();
    }
    public String getPname() {
        return pname;
    }
    public void setPname(String pname) {
        this.pname = pname;
    }
    public Integer getAmouter() {
        return amouter;
    }
    public void setAmouter(Integer amouter) {
        this.amouter = amouter;
    }
    public Double getPrice() {
        return price;
    }
    public void setPrice(Double price) {
        this.price = price;
    }
}

用Map()来进行数据的分别处理

范例：数据的分别处理

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        all.stream().map(car->{
            System.out.print("书名："+car.getPname()+" 总价：");
            return car.getAmouter()*car.getPrice();
        }).forEachOrdered(System.out::println);
    }
}

输出结果如下：
书名：c++ 总价：2160.0
书名：mongo 总价：2160.0
书名：android 总价：2560.0
书名：oracle 总价：176.0

从上面的代码可见，map()方法的功能是针对集合的每个数据进行处理。

用Reduce()将集合中的所有数据变为一个结果

如果使用map()方法进行数据的重新组合，那么reduce()就是将集合中的所有数据变为一个结果，就像SQL中的sum(),avg(),count()函数的功能。
reduce()方法：public final Optional<P_OUT> reduce(BinaryOperator<P_OUT> accumulator)
范例，实现购买商品综合的操作

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        double result =all.stream().map(car->{
            return car.getAmouter()*car.getPrice();
        }).reduce((sum,carPrice)->sum+carPrice).get();
        System.out.println("购买总金额"+result);
    }
}

代码运行结果如下：
购买总金额13936.0

Map和Reduce一起操作

如果要进行统计，可能会包含：总和，最大值，最小值，平均值，数量
在Stream接口里面提供了相应的操作：

• 处理double数据：DoubleStream mapToDouble(ToDoubleFunction<? super T> mapper)
• 处理int操作：IntStream mapToInt(ToIntFunction<? super T> mapper)

• 处理long操作：LongStream mapToLong(ToLongFunction<? super T> mapper)

  在每个返回的接口里面提供了如下的统计操作方法：

• double数据统计（DoubleStream）：public DoubleSummaryStatistics summaryStatistics()

• int数据统计（IntStream）:public IntSummaryStatistics summaryStatistics()
• long数据统计（LongStream）：public LongSummaryStatistics summaryStatistics()
  这些类里面提供了一些列的getXxx()方法用于统计相关信息。
  范例:进行reduce功能实现

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        DoubleSummaryStatistics result=all.stream().mapToDouble(myCar->{
            return myCar.getAmount()*myCar.getPrice();
        }).summaryStatistics();
        System.out.println("统计量: "+result.getCount());
        System.out.println("最大值: "+result.getMax());
        System.out.println("最小值: "+result.getMin());
        System.out.println("总和: "+result.getSum());
        System.out.println("平均值: "+result.getAverage());
    }
}

输出值：
统计量: 7
最大值: 4160.0
最小值: 176.0
总和: 13936.0
平均值: 1990.857142857143

整个过程就是Mongodb里面用的MapReduce的分析方法。