Java8 Stream 流API总结

我就是我 2023-10-10 12:58 24阅读 0赞

## Stream API ##

### 1.集合处理数据的弊端 ###

当我们在需要对集合中的元素进行操作的时候，除了必需的添加，删除，获取外，最典型的操作就是集合遍历，

package com.bobo.jdk.stream;
    
    import java.util.ArrayList;
    import java.util.Arrays;
    import java.util.List;
    
    public class StreamTest01 {
    
        public static void main(String[] args) {
            // 定义一个List集合
            List<String> list = Arrays.asList("张三","张三丰","成龙","周星驰");
            // 1.获取所有 姓张的信息
            List<String> list1 = new ArrayList<>();
            for (String s : list) {
                if(s.startsWith("张")){
                    list1.add(s);
                }
            }
    
            // 2.获取名称长度为3的用户
            List<String> list2 = new ArrayList<>();
            for (String s : list1) {
                if(s.length() == 3){
                    list2.add(s);
                }
            }
    
            // 3. 输出所有的用户信息
            for (String s : list2) {
                System.out.println(s);
            }
        }
    }

上面的代码针对与我们不同的需求总是一次次的循环循环循环.这时我们希望有更加高效的处理方式，这时我们就可以通过JDK8中提供的Stream API来解决这个问题了。

Stream更加优雅的解决方案：

package com.bobo.jdk.stream;
    
    import java.util.ArrayList;
    import java.util.Arrays;
    import java.util.List;
    
    public class StreamTest02 {
    
        public static void main(String[] args) {
            // 定义一个List集合
            List<String> list = Arrays.asList("张三","张三丰","成龙","周星驰");
            // 1.获取所有 姓张的信息
            // 2.获取名称长度为3的用户
            // 3. 输出所有的用户信息
            list.stream()
                    .filter(s->s.startsWith("张"))
                    .filter(s->s.length() == 3)
                    .forEach(s->{
                        System.out.println(s);
                    });
            System.out.println("----------");
            list.stream()
                    .filter(s->s.startsWith("张"))
                    .filter(s->s.length() == 3)
                    .forEach(System.out::println);
        }
    }

上面的SteamAPI代码的含义：获取流，过滤张，过滤长度，逐一打印。代码相比于上面的案例更加的简洁直观

### 2. Steam流式思想概述 ###

注意：Stream和IO流(InputStream/OutputStream)没有任何关系，请暂时忘记对传统IO流的固有印象！  
Stream流式思想类似于工厂车间的“生产流水线”，Stream流不是一种数据结构，不保存数据，而是对数据进行加工  
处理。Stream可以看作是流水线上的一个工序。在流水线上，通过多个工序让一个原材料加工成一个商品。

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70][]

![20210609193451703.png][]

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 1][]

Stream API能让我们快速完成许多复杂的操作，如筛选、切片、映射、查找、去除重复，统计，匹配和归约。

### 3. Stream流的获取方式 ###

#### 3.1 根据Collection获取 ####

首先，java.util.Collection 接口中加入了default方法 stream，也就是说Collection接口下的所有的实现都可以通过steam方法来获取Stream流。

public static void main(String[] args) {
            List<String> list = new ArrayList<>();
            list.stream();
            Set<String> set = new HashSet<>();
            set.stream();
            Vector vector = new Vector();
            vector.stream();
        }

但是Map接口别没有实现Collection接口，那这时怎么办呢？这时我们可以根据Map获取对应的key value的集合。

public static void main(String[] args) {
            Map<String,Object> map = new HashMap<>();
            Stream<String> stream = map.keySet().stream(); // key
            Stream<Object> stream1 = map.values().stream(); // value
            Stream<Map.Entry<String, Object>> stream2 = map.entrySet().stream(); // entry
        }

#### 3.1 通过Stream的of方法 ####

在实际开发中我们不可避免的还是会操作到数组中的数据，由于数组对象不可能添加默认方法，所有Stream接口中提供了静态方法of

public class StreamTest05 {
    
        public static void main(String[] args) {
            Stream<String> a1 = Stream.of("a1", "a2", "a3");
            String[] arr1 = {"aa","bb","cc"};
            Stream<String> arr11 = Stream.of(arr1);
            Integer[] arr2 = {1,2,3,4};
            Stream<Integer> arr21 = Stream.of(arr2);
            arr21.forEach(System.out::println);
            // 注意：基本数据类型的数组是不行的
            int[] arr3 = {1,2,3,4};
            Stream.of(arr3).forEach(System.out::println);
        }
    }

### 4.Stream常用方法介绍 ###

Stream常用方法  
  Stream流模型的操作很丰富，这里介绍一些常用的API。这些方法可以被分成两种：

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 2][]

终结方法：返回值类型不再是 Stream 类型的方法，不再支持链式调用。本小节中，终结方法包括 count 和 forEach 方法。

非终结方法：返回值类型仍然是 Stream 类型的方法，支持链式调用。（除了终结方法外，其余方法均为非终结方法。）

Stream注意事项(重要)

1.  Stream只能操作一次
2.  Stream方法返回的是新的流
3.  Stream不调用终结方法，中间的操作不会执行

#### 4.1 forEach ####

forEach用来遍历流中的数据的

void forEach(Consumer<? super T> action);

该方法接受一个Consumer接口，会将每一个流元素交给函数处理

public static void main(String[] args) {
            Stream.of("a1", "a2", "a3").forEach(System.out::println);;
        }

#### 4.2 count ####

Stream流中的count方法用来统计其中的元素个数的

long count();

该方法返回一个long值，代表元素的个数。

public static void main(String[] args) {
            long count = Stream.of("a1", "a2", "a3").count();
            System.out.println(count);
        }

#### 4.3 filter ####

filter方法的作用是用来过滤数据的。返回符合条件的数据

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 3][]

可以通过filter方法将一个流转换成另一个子集流

Stream<T> filter(Predicate<? super T> predicate);

该接口接收一个Predicate函数式接口参数作为筛选条件

public static void main(String[] args) {
             Stream.of("a1", "a2", "a3","bb","cc","aa","dd")
                     .filter((s)->s.contains("a"))
                     .forEach(System.out::println);
    
        }

输出：

a1
    a2
    a3
    aa

#### 4.4 limit ####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 4][]

limit方法可以对流进行截取处理，支取前n个数据，

Stream<T> limit(long maxSize);

参数是一个long类型的数值，如果集合当前长度大于参数就进行截取，否则不操作：

public static void main(String[] args) {
             Stream.of("a1", "a2", "a3","bb","cc","aa","dd")
                     .limit(3)
                     .forEach(System.out::println);
    
        }

#### 4.5 skip ####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 5][]

如果希望跳过前面几个元素，可以使用skip方法获取一个截取之后的新流：

Stream<T> skip(long n);

操作：

public static void main(String[] args) {
             Stream.of("a1", "a2", "a3","bb","cc","aa","dd")
                     .skip(3)
                     .forEach(System.out::println);
    
        }

#### 4.6 map ####

如果我们需要将流中的元素映射到另一个流中，可以使用map方法：

<R> Stream<R> map(Function<? super T, ? extends R> mapper);

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 6][]

该接口需要一个Function函数式接口参数，可以将当前流中的T类型数据转换为另一种R类型的数据

public static void main(String[] args) {
             Stream.of("1", "2", "3","4","5","6","7")
                     //.map(msg->Integer.parseInt(msg))
                     .map(Integer::parseInt)
                     .forEach(System.out::println);
    
        }

#### 4.7 sorted ####

如果需要将数据排序，可以使用sorted方法：

Stream<T> sorted();

在使用的时候可以根据自然规则排序，也可以通过比较强来指定对应的排序规则

public static void main(String[] args) {
             Stream.of("1", "3", "2","4","0","9","7")
                     //.map(msg->Integer.parseInt(msg))
                     .map(Integer::parseInt)
                     //.sorted() // 根据数据的自然顺序排序
                     .sorted((o1,o2)->o2-o1) // 根据比较强指定排序规则
                     .forEach(System.out::println);
    
        }

#### 4.8 distinct ####

如果要去掉重复数据，可以使用distinct方法：

Stream<T> distinct();

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 7][]

使用：

public static void main(String[] args) {
             Stream.of("1", "3", "3","4","0","1","7")
                     //.map(msg->Integer.parseInt(msg))
                     .map(Integer::parseInt)
                     //.sorted() // 根据数据的自然顺序排序
                     .sorted((o1,o2)->o2-o1) // 根据比较强指定排序规则
                     .distinct() // 去掉重复的记录
                     .forEach(System.out::println);
            System.out.println("--------");
            Stream.of(
                    new Person("张三",18)
                    ,new Person("李四",22)
                    ,new Person("张三",18)
            ).distinct()
                    .forEach(System.out::println);
    
        }

Stream流中的distinct方法对于基本数据类型是可以直接出重的，但是对于自定义类型，我们是需要重写hashCode和equals方法来移除重复元素。

#### 4.9 match ####

如果需要判断数据是否匹配指定的条件，可以使用match相关的方法

boolean anyMatch(Predicate<? super T> predicate); // 元素是否有任意一个满足条件
    boolean allMatch(Predicate<? super T> predicate); // 元素是否都满足条件
    boolean noneMatch(Predicate<? super T> predicate); // 元素是否都不满足条件

使用：

public static void main(String[] args) {
            boolean b = Stream.of("1", "3", "3", "4", "5", "1", "7")
                    .map(Integer::parseInt)
                    //.allMatch(s -> s > 0)
                    //.anyMatch(s -> s >4)
                    .noneMatch(s -> s > 4)
                    ;
            System.out.println(b);
        }

注意match是一个终结方法

#### 4.10 find ####

如果我们需要找到某些数据，可以使用find方法来实现

Optional<T> findFirst();
        Optional<T> findAny();

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 8][]

使用：

public static void main(String[] args) {
    
            Optional<String> first = Stream.of("1", "3", "3", "4", "5", "1", "7").findFirst();
            System.out.println(first.get());
    
            Optional<String> any = Stream.of("1", "3", "3", "4", "5", "1", "7").findAny();
            System.out.println(any.get());
        }

#### 4.11 max和min ####

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 9][]

如果我们想要获取最大值和最小值，那么可以使用max和min方法

Optional<T> min(Comparator<? super T> comparator);
    Optional<T> max(Comparator<? super T> comparator);

使用:

public static void main(String[] args) {
    
            Optional<Integer> max = Stream.of("1", "3", "3", "4", "5", "1", "7")
                    .map(Integer::parseInt)
                    .max((o1,o2)->o1-o2);
            System.out.println(max.get());
    
            Optional<Integer> min = Stream.of("1", "3", "3", "4", "5", "1", "7")
                    .map(Integer::parseInt)
                    .min((o1,o2)->o1-o2);
            System.out.println(min.get());
        }

#### 4.12 reduce方法 ####

![2021060919503526.png][]

如果需要将所有数据归纳得到一个数据，可以使用reduce方法

T reduce(T identity, BinaryOperator<T> accumulator);

使用:

public static void main(String[] args) {
            Integer sum = Stream.of(4, 5, 3, 9)
                    // identity默认值
                    // 第一次的时候会将默认值赋值给x
                    // 之后每次会将 上一次的操作结果赋值给x y就是每次从数据中获取的元素
                    .reduce(0, (x, y) -> {
                        System.out.println("x="+x+",y="+y);
                        return x + y;
                    });
            System.out.println(sum);
            // 获取 最大值
            Integer max = Stream.of(4, 5, 3, 9)
                    .reduce(0, (x, y) -> {
                        return x > y ? x : y;
                    });
            System.out.println(max);
        }

#### 4.13 map和reduce的组合 ####

在实际开发中我们经常会将map和reduce一块来使用

public static void main(String[] args) {
            // 1.求出所有年龄的总和
            Integer sumAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).map(Person::getAge) // 实现数据类型的转换
                    .reduce(0, Integer::sum);
            System.out.println(sumAge);
    
            // 2.求出所有年龄中的最大值
            Integer maxAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).map(Person::getAge) // 实现数据类型的转换，符合reduce对数据的要求
                    .reduce(0, Math::max); // reduce实现数据的处理
            System.out.println(maxAge);
            // 3.统计 字符 a 出现的次数
            Integer count = Stream.of("a", "b", "c", "d", "a", "c", "a")
                    .map(ch -> "a".equals(ch) ? 1 : 0)
                    .reduce(0, Integer::sum);
            System.out.println(count);
        }

#### 4.14 mapToInt ####

如果需要将Stream中的Integer类型转换成int类型，可以使用mapToInt方法来实现

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 10][]

使用:

public static void main(String[] args) {
            // Integer占用的内存比int多很多，在Stream流操作中会自动装修和拆箱操作
            Integer arr[] = {1,2,3,5,6,8};
            Stream.of(arr)
                    .filter(i->i>0)
                    .forEach(System.out::println);
            System.out.println("---------");
            // 为了提高程序代码的效率，我们可以先将流中Integer数据转换为int数据，然后再操作
            IntStream intStream = Stream.of(arr)
                    .mapToInt(Integer::intValue);
            intStream.filter(i->i>3)
                    .forEach(System.out::println);
    
        }

#### 4.15 concat ####

如果有两个流，希望合并成为一个流，那么可以使用Stream接口的静态方法concat

public static <T> Stream<T> concat(Stream<? extends T> a, Stream<? extends T> b) {
            Objects.requireNonNull(a);
            Objects.requireNonNull(b);
    
            @SuppressWarnings("unchecked")
            Spliterator<T> split = new Streams.ConcatSpliterator.OfRef<>(
                    (Spliterator<T>) a.spliterator(), (Spliterator<T>) b.spliterator());
            Stream<T> stream = StreamSupport.stream(split, a.isParallel() || b.isParallel());
            return stream.onClose(Streams.composedClose(a, b));
        }

使用:

public static void main(String[] args) {
            Stream<String> stream1 = Stream.of("a","b","c");
            Stream<String> stream2 = Stream.of("x", "y", "z");
            // 通过concat方法将两个流合并为一个新的流
            Stream.concat(stream1,stream2).forEach(System.out::println);
        }

4.16 综合案例  
  定义两个集合，然后在集合中存储多个用户名称。然后完成如下的操作：

1.  第一个队伍只保留姓名长度为3的成员
2.  第一个队伍筛选之后只要前3个人
3.  第二个队伍只要姓张的成员
4.  第二个队伍筛选之后不要前两个人
5.  将两个队伍合并为一个队伍
6.  根据姓名创建Person对象
7.  打印整个队伍的Person信息

package com.bobo.jdk.stream;
    
    import com.bobo.jdk.lambda.domain.Person;
    
    import java.util.Arrays;
    import java.util.List;
    import java.util.stream.Stream;
    
    public class StreamTest21Demo {
    
        /**
         * 1. 第一个队伍只保留姓名长度为3的成员
         * 2. 第一个队伍筛选之后只要前3个人
         * 3. 第二个队伍只要姓张的成员
         * 4. 第二个队伍筛选之后不要前两个人
         * 5. 将两个队伍合并为一个队伍
         * 6. 根据姓名创建Person对象
         * 7. 打印整个队伍的Person信息
         * @param args
         */
        public static void main(String[] args) {
            List<String> list1 = Arrays.asList("迪丽热巴", "宋远桥", "苏星河", "老子", "庄子", "孙子", "洪七 公");
            List<String> list2 = Arrays.asList("古力娜扎", "张无忌", "张三丰", "赵丽颖", "张二狗", "张天爱", "张三");
            // 1. 第一个队伍只保留姓名长度为3的成员
            // 2. 第一个队伍筛选之后只要前3个人
            Stream<String> stream1 = list1.stream().filter(s ->  s.length() == 3).limit(3);
            // 3. 第二个队伍只要姓张的成员
            // 4. 第二个队伍筛选之后不要前两个人
            Stream<String> stream2 = list2.stream().filter(s -> s.startsWith("张")).skip(2);
            // 5. 将两个队伍合并为一个队伍
            // 6. 根据姓名创建Person对象
            // 7. 打印整个队伍的Person信息
            Stream.concat(stream1,stream2)
                    //.map(n-> new Person(n))
                    .map(Person::new)
                    .forEach(System.out::println);
    
        }
    }

### 5.Stream结果收集 ###

#### 5.1 结果收集到集合中 ####

/**
         * Stream结果收集
         *    收集到集合中
         */
        @Test
        public void test01(){
            // Stream<String> stream = Stream.of("aa", "bb", "cc");
            List<String> list = Stream.of("aa", "bb", "cc","aa")
                    .collect(Collectors.toList());
            System.out.println(list);
            // 收集到 Set集合中
            Set<String> set = Stream.of("aa", "bb", "cc", "aa")
                    .collect(Collectors.toSet());
            System.out.println(set);
            // 如果需要获取的类型为具体的实现，比如：ArrayList HashSet
    
            ArrayList<String> arrayList = Stream.of("aa", "bb", "cc", "aa")
                    //.collect(Collectors.toCollection(() -> new ArrayList<>()));
                    .collect(Collectors.toCollection(ArrayList::new));
            System.out.println(arrayList);
            HashSet<String> hashSet = Stream.of("aa", "bb", "cc", "aa")
                    .collect(Collectors.toCollection(HashSet::new));
            System.out.println(hashSet);
        }

#### 5.2 结果收集到数组中 ####

Stream中提供了toArray方法来将结果放到一个数组中，返回值类型是Object\[\],如果我们要指定返回的类型，那么可以使用另一个重载的toArray(IntFunction f)方法

/**
         * Stream结果收集到数组中
         */
        @Test
        public void test02(){
            Object[] objects = Stream.of("aa", "bb", "cc", "aa")
                    .toArray(); // 返回的数组中的元素是 Object类型
            System.out.println(Arrays.toString(objects));
            // 如果我们需要指定返回的数组中的元素类型
            String[] strings = Stream.of("aa", "bb", "cc", "aa")
                    .toArray(String[]::new);
            System.out.println(Arrays.toString(strings));
    
        }

#### 5.3 对流中的数据做聚合计算 ####

当我们使用Stream流处理数据后，可以像数据库的聚合函数一样对某个字段进行操作，比如获得最大值，最小值，求和，平均值，统计数量。

/**
         * Stream流中数据的聚合计算
         */
        @Test
        public void test03(){
            // 获取年龄的最大值
            Optional<Person> maxAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).collect(Collectors.maxBy((p1, p2) -> p1.getAge() - p2.getAge()));
            System.out.println("最大年龄：" + maxAge.get());
            // 获取年龄的最小值
            Optional<Person> minAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).collect(Collectors.minBy((p1, p2) -> p1.getAge() - p2.getAge()));
            System.out.println("最新年龄:" + minAge.get());
            // 求所有人的年龄之和
            Integer sumAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            )
                    //.collect(Collectors.summingInt(s -> s.getAge()))
                    .collect(Collectors.summingInt(Person::getAge))
                    ;
            System.out.println("年龄总和：" + sumAge);
            // 年龄的平均值
            Double avgAge = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).collect(Collectors.averagingInt(Person::getAge));
            System.out.println("年龄的平均值：" + avgAge);
            // 统计数量
            Long count = Stream.of(
                    new Person("张三", 18)
                    , new Person("李四", 22)
                    , new Person("张三", 13)
                    , new Person("王五", 15)
                    , new Person("张三", 19)
            ).filter(p->p.getAge() > 18)
                    .collect(Collectors.counting());
            System.out.println("满足条件的记录数:" + count);
    
        }

#### 5.4 对流中数据做分组操作 ####

当我们使用Stream流处理数据后，可以根据某个属性将数据分组

/**
         * 分组计算
         */
        @Test
        public void test04(){
            // 根据账号对数据进行分组
            Map<String, List<Person>> map1 = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).collect(Collectors.groupingBy(Person::getName));
            map1.forEach((k,v)-> System.out.println("k=" + k +"\t"+ "v=" + v));
            System.out.println("-----------");
            // 根据年龄分组 如果大于等于18 成年否则未成年
            Map<String, List<Person>> map2 = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).collect(Collectors.groupingBy(p -> p.getAge() >= 18 ? "成年" : "未成年"));
            map2.forEach((k,v)-> System.out.println("k=" + k +"\t"+ "v=" + v));
    
        }

多级分组: 先根据name分组然后根据年龄分组

/**
         * 分组计算--多级分组
         */
        @Test
        public void test05(){
            // 先根据name分组，然后根据age(成年和未成年)分组
            Map<String,Map<Object,List<Person>>> map =  Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).collect(Collectors.groupingBy(
                    Person::getName
                    ,Collectors.groupingBy(p->p.getAge()>=18?"成年":"未成年"
                    )
            ));
            map.forEach((k,v)->{
                System.out.println(k);
                v.forEach((k1,v1)->{
                    System.out.println("\t"+k1 + "=" + v1);
                });
            });
        }

#### 5.5 对流中的数据做分区操作 ####

Collectors.partitioningBy会根据值是否为true,把集合中的数据分割为两个列表，一个true列表，一个false列表

![20210609195518426.png][]

/**
         * 分区操作
         */
        @Test
        public void test06(){
            Map<Boolean, List<Person>> map = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).collect(Collectors.partitioningBy(p -> p.getAge() > 18));
            map.forEach((k,v)-> System.out.println(k+"\t" + v));
        }

#### 5.6 对流中的数据做拼接 ####

Collectors.joining会根据指定的连接符，将所有的元素连接成一个字符串

/**
         * 对流中的数据做拼接操作
         */
        @Test
        public void test07(){
            String s1 = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).map(Person::getName)
                    .collect(Collectors.joining());
            // 张三李四张三李四张三
            System.out.println(s1);
            String s2 = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).map(Person::getName)
                    .collect(Collectors.joining("_"));
            // 张三_李四_张三_李四_张三
            System.out.println(s2);
    
            String s3 = Stream.of(
                    new Person("张三", 18, 175)
                    , new Person("李四", 22, 177)
                    , new Person("张三", 14, 165)
                    , new Person("李四", 15, 166)
                    , new Person("张三", 19, 182)
            ).map(Person::getName)
                    .collect(Collectors.joining("_", "###", "$$$"));
            // ###张三_李四_张三_李四_张三$$$
            System.out.println(s3);
        }

### 6. 并行的Stream流 ###

#### 6.1 串行的Stream流 ####

我们前面使用的Stream流都是串行，也就是在一个线程上面执行。

/**
         * 串行流
         */
        @Test
        public void test01(){
            Stream.of(5,6,8,3,1,6)
                    .filter(s->{
                        System.out.println(Thread.currentThread() + "" + s);
                        return s > 3;
                    }).count();
        }

#### 6.2 并行流 ####

parallelStream其实就是一个并行执行的流，它通过默认的ForkJoinPool，可以提高多线程任务的速度。

#### 6.2.1 获取并行流 ####

我们可以通过两种方式来获取并行流

1.  通过List接口中的parallelStream方法来获取
2.  通过已有的串行流转换为并行流(parallel)

使用:

/**
         * 获取并行流的两种方式
         */
        @Test
        public void test02(){
            List<Integer> list = new ArrayList<>();
            // 通过List 接口 直接获取并行流
            Stream<Integer> integerStream = list.parallelStream();
            // 将已有的串行流转换为并行流
            Stream<Integer> parallel = Stream.of(1, 2, 3).parallel();
        }

#### 6.2.2 并行流操作 ####

/**
         * 并行流操作
         */
        @Test
        public void test03(){
    
            Stream.of(1,4,2,6,1,5,9)
                    .parallel() // 将流转换为并发流，Stream处理的时候就会通过多线程处理
                    .filter(s->{
                        System.out.println(Thread.currentThread() + " s=" +s);
                        return s > 2;
                    }).count();
        }

效果:

Thread[main,5,main] s=1
    Thread[ForkJoinPool.commonPool-worker-2,5,main] s=9
    Thread[ForkJoinPool.commonPool-worker-6,5,main] s=6
    Thread[ForkJoinPool.commonPool-worker-13,5,main] s=2
    Thread[ForkJoinPool.commonPool-worker-9,5,main] s=4
    Thread[ForkJoinPool.commonPool-worker-4,5,main] s=5
    Thread[ForkJoinPool.commonPool-worker-11,5,main] s=1

#### 6.3 并行流和串行流对比 ####

我们通过for循环，串行Stream流，并行Stream流来对500000000亿个数字求和。来看消耗时间

package com.bobo.jdk.res;
    
    import org.junit.After;
    import org.junit.Before;
    import org.junit.Test;
    
    import java.util.stream.LongStream;
    
    public class Test03 {
    
        private static long times = 500000000;
    
        private  long start;
    
        @Before
        public void befor(){
            start = System.currentTimeMillis();
        }
    
        @After
        public void end(){
            long end = System.currentTimeMillis();
            System.out.println("消耗时间：" + (end - start));
        }
    
        /**
         * 普通for循环 消耗时间：138
         */
        @Test
        public void test01(){
            System.out.println("普通for循环:");
            long res = 0;
            for (int i = 0; i < times; i++) {
                res += i;
            }
        }
    
        /**
         * 串行流处理
         *   消耗时间：203
         */
        @Test
        public void test02(){
            System.out.println("串行流：serialStream");
            LongStream.rangeClosed(0,times)
                    .reduce(0,Long::sum);
        }
    
        /**
         * 并行流处理 消耗时间：84
         */
        @Test
        public void test03(){
            LongStream.rangeClosed(0,times)
                    .parallel()
                    .reduce(0,Long::sum);
        }
    }

通过案例我们可以看到parallelStream的效率是最高的。

Stream并行处理的过程会分而治之，也就是将一个大的任务切分成了多个小任务，这表示每个任务都是一个线程操作。

#### 6.4 线程安全问题 ####

在多线程的处理下，肯定会出现数据安全问题。如下：

@Test
        public void test01(){
            List<Integer> list = new ArrayList<>();
            for (int i = 0; i < 1000; i++) {
                list.add(i);
            }
            System.out.println(list.size());
            List<Integer> listNew = new ArrayList<>();
            // 使用并行流来向集合中添加数据
            list.parallelStream()
                    //.forEach(s->listNew.add(s));
                    .forEach(listNew::add);
            System.out.println(listNew.size());
        }

运行效果：

839

或者直接抛异常

java.lang.ArrayIndexOutOfBoundsException
    	at sun.reflect.NativeConstructorAccessorImpl.newInstance0(Native Method)
    	at sun.reflect.NativeConstructorAccessorImpl.newInstance(NativeConstructorAccessorImpl.java:62)
    	at sun.reflect.DelegatingConstructorAccessorImpl.newInstance(DelegatingConstructorAccessorImpl.java:45)
    	at java.lang.reflect.Constructor.newInstance(Constructor.java:423)
    	at java.util.concurrent.ForkJoinTask.getThrowableException(ForkJoinTask.java:598)
    ....
    Caused by: java.lang.ArrayIndexOutOfBoundsException: 366
    	at java.util.ArrayList.add(ArrayList.java:463)

针对这个问题，我们的解决方案有哪些呢？

1.  加同步锁
2.  使用线程安全的容器
3.  通过Stream中的toArray/collect操作

实现：

/**
         * 加同步锁
         */
        @Test
        public void test02(){
            List<Integer> listNew = new ArrayList<>();
            Object obj = new Object();
            IntStream.rangeClosed(1,1000)
                    .parallel()
                    .forEach(i->{
                        synchronized (obj){
                            listNew.add(i);
                        }
    
                    });
            System.out.println(listNew.size());
        }
    
        /**
         * 使用线程安全的容器
         */
        @Test
        public void test03(){
            Vector v = new Vector();
            Object obj = new Object();
            IntStream.rangeClosed(1,1000)
                    .parallel()
                    .forEach(i->{
                        synchronized (obj){
                            v.add(i);
                        }
    
                    });
            System.out.println(v.size());
        }
    
        /**
         * 将线程不安全的容器转换为线程安全的容器
         */
        @Test
        public void test04(){
            List<Integer> listNew = new ArrayList<>();
            // 将线程不安全的容器包装为线程安全的容器
            List<Integer> synchronizedList = Collections.synchronizedList(listNew);
            Object obj = new Object();
            IntStream.rangeClosed(1,1000)
                    .parallel()
                    .forEach(i->{
                            synchronizedList.add(i);
                    });
            System.out.println(synchronizedList.size());
        }
    
    
        /**
         * 我们还可以通过Stream中的 toArray方法或者 collect方法来操作
         * 就是满足线程安全的要求
         */
        @Test
        public void test05(){
            List<Integer> listNew = new ArrayList<>();
            Object obj = new Object();
            List<Integer> list = IntStream.rangeClosed(1, 1000)
                    .parallel()
                    .boxed()
                    .collect(Collectors.toList());
            System.out.println(list.size());
        }

### 7.Fork/Join框架 ###

parallelStream使用的是Fork/Join框架。Fork/Join框架自JDK 7引入。Fork/Join框架可以将一个大任务拆分为很多小任务来异步执行。 Fork/Join框架主要包含三个模块：

1.  线程池：ForkJoinPool
2.  任务对象：ForkJoinTask
3.  执行任务的线程：ForkJoinWorkerThread

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 11][]

#### 7.1 Fork/Join原理-分治法 ####

ForkJoinPool主要用来使用分治法(Divide-and-Conquer Algorithm)来解决问题。典型的应用比如快速排序算法，ForkJoinPool需要使用相对少的线程来处理大量的任务。比如要对1000万个数据进行排序，那么会将这个任务分割成两个500万的排序任务和一个针对这两组500万数据的合并任务。以此类推，对于500万的数据也会做出同样的分割处理，到最后会设置一个阈值来规定当数据规模到多少时，停止这样的分割处理。比如，当元素的数量小于10时，会停止分割，转而使用插入排序对它们进行排序。那么到最后，所有的任务加起来会有大概2000000+个。问题的关键在于，对于一个任务而言，只有当它所有的子任务完成之后，它才能够被执行。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 12][]

#### 7.2 Fork/Join原理-工作窃取算法 ####

Fork/Join最核心的地方就是利用了现代硬件设备多核，在一个操作时候会有空闲的cpu，那么如何利用好这个空闲的cpu就成了提高性能的关键，而这里我们要提到的工作窃取（work-stealing）算法就是整个Fork/Join框架的核心理念Fork/Join工作窃取（work-stealing）算法是指某个线程从其他队列里窃取任务来执行。  
![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 13][]

那么为什么需要使用工作窃取算法呢？假如我们需要做一个比较大的任务，我们可以把这个任务分割为若干互不依赖的子任务，为了减少线程间的竞争，于是把这些子任务分别放到不同的队列里，并为每个队列创建一个单独的线程来执行队列里的任务，线程和队列一一对应，比如A线程负责处理A队列里的任务。但是有的线程会先把自己队列里的任务干完，而其他线程对应的队列里还有任务等待处理。干完活的线程与其等着，不如去帮其他线程干活，于是它就去其他线程的队列里窃取一个任务来执行。而在这时它们会访问同一个队列，所以为了减少窃取任务线程和被窃取任务线程之间的竞争，通常会使用双端队列，被窃取任务线程永远从双端队列的头部拿任务执行，而窃取任务的线程永远从双端队列的尾部拿任务执行。  
  工作窃取算法的优点是充分利用线程进行并行计算，并减少了线程间的竞争，其缺点是在某些情况下还是存在竞争，  
比如双端队列里只有一个任务时。并且消耗了更多的系统资源，比如创建多个线程和多个双端队列。上文中已经提到了在Java 8引入了自动并行化的概念。它能够让一部分Java代码自动地以并行的方式执行，也就是我们使用了ForkJoinPool的ParallelStream。  
  对于ForkJoinPool通用线程池的线程数量，通常使用默认值就可以了，即运行时计算机的处理器数量。可以通过设置系统属性：java.util.concurrent.ForkJoinPool.common.parallelism=N （N为线程数量），来调整ForkJoinPool的线程数量，可以尝试调整成不同的参数来观察每次的输出结果。

#### 7.3 Fork/Join案例 ####

需求：使用Fork/Join计算1-10000的和，当一个任务的计算数量大于3000的时候拆分任务。数量小于3000的时候就计算

![watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 14][]

案例的实现

package com.bobo.jdk.res;
    
    import java.util.concurrent.ForkJoinPool;
    import java.util.concurrent.RecursiveTask;
    
    public class Test05 {
    
        /**
         * 使用Fork/Join计算1-10000的和，
         * 当一个任务的计算数量大于3000的时候拆分任务。
         * 数量小于3000的时候就计算
         * @param args
         */
        public static void main(String[] args) {
            long start = System.currentTimeMillis();
            ForkJoinPool pool = new ForkJoinPool();
            SumRecursiveTask task = new SumRecursiveTask(1,10000l);
            Long result = pool.invoke(task);
            System.out.println("result="+result);
            long end = System.currentTimeMillis();
            System.out.println("总的耗时:" + (end-start));
    
        }
    }
    
    class SumRecursiveTask extends RecursiveTask<Long>{
    
        // 定义一个拆分的临界值
        private static final long THRESHOLD = 3000l;
    
        private final long start;
    
        private final long end;
    
        public SumRecursiveTask(long start, long end) {
            this.start = start;
            this.end = end;
        }
    
        @Override
        protected Long compute() {
            long length = end -start;
            if(length <= THRESHOLD){
                // 任务不用拆分，可以计算
                long sum = 0;
                for(long i=start ; i <= end ;i++){
                    sum += i;
                }
                System.out.println("计算："+ start+"-->" + end +",的结果为：" + sum);
                return sum;
            }else{
                // 数量大于预定的数量，那说明任务还需要继续拆分
                long middle = (start+end)/2;
                System.out.println("拆分:左边 " + start+"-->" + middle+", 右边" + (middle+1) + "-->" + end);
                SumRecursiveTask left = new SumRecursiveTask(start, middle);
                left.fork();
                SumRecursiveTask right = new SumRecursiveTask(middle + 1, end);
                right.fork();
                return left.join()+right.join();
            }
        }
    }

输出结果：

拆分:左边 1-->5000, 右边5001-->10000
    拆分:左边 5001-->7500, 右边7501-->10000
    拆分:左边 1-->2500, 右边2501-->5000
    计算：1-->2500,的结果为：3126250
    计算：5001-->7500,的结果为：15626250
    计算：2501-->5000,的结果为：9376250
    计算：7501-->10000,的结果为：21876250
    result=50005000
    总的耗时:19

[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70]: https://img-blog.csdnimg.cn/20210609193433891.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[20210609193451703.png]: https://img-blog.csdnimg.cn/20210609193451703.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 1]: https://img-blog.csdnimg.cn/20210609193503534.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 2]: https://img-blog.csdnimg.cn/20210609193633943.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 3]: https://img-blog.csdnimg.cn/20210609193922536.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 4]: https://img-blog.csdnimg.cn/20210609194435571.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 5]: https://img-blog.csdnimg.cn/20210609194522689.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 6]: https://img-blog.csdnimg.cn/20210609194622938.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 7]: https://img-blog.csdnimg.cn/202106091947428.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 8]: https://img-blog.csdnimg.cn/20210609194910228.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 9]: https://img-blog.csdnimg.cn/20210609194946873.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[2021060919503526.png]: https://img-blog.csdnimg.cn/2021060919503526.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 10]: https://img-blog.csdnimg.cn/20210609195201227.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[20210609195518426.png]: https://img-blog.csdnimg.cn/20210609195518426.png
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 11]: https://img-blog.csdnimg.cn/20210609200126837.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 12]: https://img-blog.csdnimg.cn/20210609200201276.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 13]: https://img-blog.csdnimg.cn/20210609200226451.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n_size_16_color_FFFFFF_t_70 14]: https://img-blog.csdnimg.cn/20210609200308818.png?x-oss-process=image/watermark,type_ZmFuZ3poZW5naGVpdGk,shadow_10,text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3pob3V6aGl3ZW5nYW5n,size_16,color_FFFFFF,t_70