3 流与Lambda表达式的使用详解

简单说，对 Stream 的使用就是实现一个 filter-map-reduce 过程，产生一个最终结果，或者导致一个副作用（side effect）。

3.1流的构造

Stream在Java SE 8中非常重要，我们希望可以在JDK中尽可能广的使用Stream。我们为Collection提供了stream()和parallelStream()，以便把集合转化为流；此外数组可以通过Arrays.stream()被转化为流。

除此之外，Stream中还有一些静态工厂方法（以及相关的原始类型流实现），这些方法被用来创建流，例如Stream.of()，Stream.generate以及IntStream.range。其它的常用类型也提供了流相关的方法，例如String.chars，BufferedReader.lines，Pattern.splitAsStream，Random.ints和BitSet.stream。

下面提供最常见的几种构造 Stream 的样例。

// 构造流的几种常见方法
// 1. Individual values
Stream stream = Stream.of("a","b", "c");
// 2. Arrays
String [] strArray = new String[]{"a", "b", "c"};
stream = Stream.of(strArray);
stream = Arrays.stream(strArray);
// 3. Collections
List<String> list =Arrays.asList(strArray);
stream = list.stream();

需要注意的是，对于基本数值型，目前有三种对应的包装类型 Stream：

IntStream、LongStream、DoubleStream。当然我们也可以用 Stream<Integer>、Stream<Long> >、Stream<Double>，但是 boxing 和 unboxing 会很耗时，所以特别为这三种基本数值型提供了对应的 Stream。

Java8 中还没有提供其它数值型 Stream，因为这将导致扩增的内容较多。而常规的数值型聚合运算可以通过上面三种 Stream 进行。

// 数值流的构造
IntStream.of(new int[]{1, 2,3}).forEach(System.out::println);
IntStream.range(1,3).forEach(System.out::println);
IntStream.rangeClosed(1,3).forEach(System.out::println);

3.2流转换为其它数据结构

// 流转换为其它数据结构
// 1. Array
String[] strArray1 = stream.toArray(String[]::new);
// 2. Collection
List<String> list1 =stream.collect(Collectors.toList());
List<String> list2 =stream.collect(Collectors.toCollection(ArrayList::new));
Set set1 =stream.collect(Collectors.toSet());
Stack stack1 = stream.collect(Collectors.toCollection(Stack::new));
// 3. String
String str =stream.collect(Collectors.joining()).toString();

一个 Stream 只可以使用一次，上面的代码为了简洁而重复使用了数次。

3. 3 流的Intermediate操作

接下来，当把一个数据结构包装成 Stream 后，就要开始对里面的元素进行各类操作了。常见的操作可以归类如下。

·  Intermediate：

map (mapToInt, flatMap 等)、 filter、 distinct、 sorted、 peek、 limit、 skip、 parallel、 sequential、 unordered

map/flatMap

我们先来看 map。如果你熟悉 scala 这类函数式语言，对这个方法应该很了解，它的作用就是把 input Stream 的每一个元素，映射成 output Stream 的另外一个元素。

// 转换大写
List<String> output =wordList.stream().
map(String::toUpperCase).
collect(Collectors.toList());

下面看一个完整示例：

package lambda;

import java.util.Arrays;
import java.util.List;

public class MapAndReduceTest {
	// applying 12% VAT on each purchase
	// Without lambda expressions:
	List<Integer> costBeforeTax = Arrays.asList(100, 200, 300, 400, 500);
	public void applying(){
		for (Integer cost : costBeforeTax) {
		      double price = cost + .12*cost;
		      System.out.print(price + " ");
		}
	}
	// Applying 12% VAT on each purchase
	// Old way:
	public void total(){
		double total = 0;
		for (Integer cost : costBeforeTax) {
		 double price = cost + .12*cost;
		 total = total + price;		 
		}
		System.out.println("Total : " + total);
	}
	
	// With Lambda expression:
	List<Integer> costBeforeTax2 = Arrays.asList(100, 200, 300, 400, 500);
	public void applying2(){
		costBeforeTax2.stream().map((cost) -> cost + .12*cost)
        .forEach(System.out::print);
	}
	public void total2(){
		//reduce() 是将集合中所有值结合进一个，Reduce类似SQL语句中的sum(), avg() 或count()
		double bill = costBeforeTax2.stream().map((cost) -> cost + .12*cost)
                .reduce((sum, cost) -> sum + cost)
                .get();
		System.out.println("Total : " + bill);
	}
	public static void main(String[] args) {
		MapAndReduceTest mr = new MapAndReduceTest();
		mr.applying();
		mr.total();
		System.out.println("=========================================");
		mr.applying2();
		mr.total2();
	}
}
/*Output:
112.0 224.0 336.0 448.0 560.0 Total : 1680.0
=========================================
112.0224.0336.0448.0560.0Total : 1680.0
 * */

// 平方数
List<Integer> nums =Arrays.asList(1, 2, 3, 4);
List<Integer> squareNums =nums.stream().
map(n -> n * n).
collect(Collectors.toList());

这段代码生成一个整数 list 的平方数 {1, 4, 9, 16}。

从上面例子可以看出，map 生成的是个 1:1 映射，每个输入元素，都按照规则转换成为另外一个元素。还有一些场景，是一对多映射关系的，这时需要 flatMap。

//  一对多
Stream<List<Integer>>inputStream = Stream.of(
 Arrays.asList(1),
 Arrays.asList(2, 3),
 Arrays.asList(4, 5, 6)
 );
Stream<Integer> outputStream =inputStream.
flatMap((childList) ->childList.stream());

flatMap把 input Stream 中的层级结构扁平化，就是将最底层元素抽出来放到一起，最终 output 的新 Stream 里面已经没有 List 了，都是直接的数字。

filter

filter 对原始 Stream 进行某项测试，通过测试的元素被留下来生成一个新 Stream。

package lambda;

import java.util.Arrays;
import java.util.List;
import java.util.stream.Collectors;

public class FilterTest {
	// Create a List with String more than 2 characters
	List<String> strList = Arrays.asList("Lambdas", "Default Method", 
			"Stream API", "Date and Time API");
	/*Filtering是对大型Collection操作的一个通用操作，Stream提供filter()方法，
	 * 接受一个Predicate对象，意味着你能传送lambda表达式作为一个过滤逻辑进入这个方法：
	*/
	List<String> filtered = strList.stream().filter(x -> x.length()> 12)
	                                        .collect(Collectors.toList());
	public void display(){
		System.out.printf("Original List : %s, \nfiltered list : %s %n", 
                strList, filtered);
	}

	public static void main(String[] args) {	
		FilterTest ft = new FilterTest();
		ft.display();
	}
}

// 留下偶数
Integer[] sixNums = {1, 2, 3, 4, 5, 6};
Integer[] evens =
Stream.of(sixNums).filter(n -> n%2 ==0).toArray(Integer[]::new);

经过条件“被 2 整除”的 filter，剩下的数字为 {2, 4, 6}。

// 把单词挑出来
List<String> output =reader.lines().
 flatMap(line ->Stream.of(line.split(REGEXP))).
 filter(word -> word.length() > 0).
 collect(Collectors.toList());

这段代码首先把每行的单词用 flatMap 整理到新的 Stream，然后保留长度不为 0 的，就是整篇文章中的全部单词了。

limit/skip

limit返回 Stream 的前面 n 个元素；skip 则是扔掉前 n 个元素（它是由一个叫 subStream 的方法改名而来）。

package lambda;

import java.util.ArrayList;
import java.util.List;
import java.util.stream.Collectors;

public class LimitAndSkipTest {
	public void testLimitAndSkip() {
		List<Person> persons = new ArrayList();
		for (int i = 1; i <= 10000; i++) {
			Person person = new Person(i, "name" + i);
			persons.add(person);
		}
		List<String> personList2 = persons.stream().map(Person::getName)
				.limit(10).skip(3).collect(Collectors.toList());
		System.out.println(personList2);
	}
	private class Person {
		public int no;
		private String name;

		public Person(int no, String name) {
			this.no = no;
			this.name = name;
		}

		public String getName() {
			System.out.println(name);
			return name;
		}
	}
	public void limitAndSortedTest1(){
		List<Person> persons = new ArrayList();
		 for (int i = 1; i <= 5; i++) {
		 Person person = new Person(i, "name" + i);
		 persons.add(person);
		 }
		List<Person> personList2 = persons.stream().sorted((p1, p2) -> 
		p1.getName().compareTo(p2.getName())).limit(2).collect(Collectors.toList());
		System.out.println(personList2);
	}
	public void limitAndSortedTest2(){
		List<Person> persons = new ArrayList();
		 for (int i = 1; i <= 5; i++) {
		 Person person = new Person(i, "name" + i);
		 persons.add(person);
		 }
		List<Person> personList2 = persons.stream().limit(2).sorted((p1, p2) -> p1.getName().compareTo(p2.getName())).collect(Collectors.toList());
		System.out.println(personList2);
	}
	public static void main(String[] args) {
		LimitAndSkipTest ls = new LimitAndSkipTest();
		ls.testLimitAndSkip();
		System.out.println("==========");
		ls.limitAndSortedTest1();
		System.out.println("==========");
		ls.limitAndSortedTest2();
	}
}
/* Output
name1
name2
name3
name4
name5
name6
name7
name8
name9
name10
[name4, name5, name6, name7, name8, name9, name10]
 * */

这是一个有 10，000 个元素的 Stream，但在 short-circuiting 操作 limit 和 skip 的作用下，管道中 map 操作指定的 getName() 方法的执行次数为 limit 所限定的 10 次，而最终返回结果在跳过前 3 个元素后只有后面 7 个返回。

有一种情况是 limit/skip 无法达到 short-circuiting 目的的，就是把它们放在 Stream 的排序操作后，原因跟 sorted 这个 intermediate 操作有关：此时系统并不知道 Stream 排序后的次序如何，所以 sorted 中的操作看上去就像完全没有被 limit 或者 skip 一样。

//limit 和 skip 对 sorted 后的运行次数无影响
List<Person> persons = new ArrayList();
 for (int i = 1; i <= 5; i++) {
 Person person = new Person(i, "name" + i);
 persons.add(person);
 }
List<Person> personList2 = persons.stream().sorted((p1, p2) -> 
p1.getName().compareTo(p2.getName())).limit(2).collect(Collectors.toList());
System.out.println(personList2);
/*Output
name2
name1
name3
name2
name4
name3
name5
name4
[stream.StreamDW$Person@816f27d, stream.StreamDW$Person@87aac27]
**/

上面的示例对代码做了微调，首先对 5 个元素的 Stream 排序，然后进行 limit 操作。

即虽然最后的返回元素数量是 2，但整个管道中的 sorted 表达式执行次数没有像前面例子相应减少。

最后有一点需要注意的是，对一个 parallel 的 Steam 管道来说，如果其元素是有序的，那么 limit 操作的成本会比较大，因为它的返回对象必须是前 n 个也有一样次序的元素。取而代之的策略是取消元素间的次序，或者不要用 parallel Stream。

3.4 流的Terminal操作

常见流的Terminal操作有：forEach、 forEachOrdered、 toArray、 reduce、 collect、 min、 max、 count、 anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 iterator

forEach

forEach方法接收一个 Lambda 表达式，然后在 Stream 的每一个元素上执行该表达式。

//打印姓名（forEach 和 pre-java8 的对比）
// Java 8
roster.stream()
 .filter(p -> p.getGender() ==Person.Sex.MALE)
 .forEach(p ->System.out.println(p.getName()));
// Pre-Java 8
for (Person p : roster) {
 if(p.getGender() == Person.Sex.MALE) {
 System.out.println(p.getName());
 }
}

对一个人员集合遍历，找出男性并打印姓名。可以看出来，forEach 是为 Lambda 而设计的，保持了最紧凑的风格。而且 Lambda 表达式本身是可以重用的，非常方便。当需要为多核系统优化时，可以parallelStream().forEach()，只是此时原有元素的次序没法保证，并行的情况下将改变串行时操作的行为，此时 forEach 本身的实现不需要调整，而 Java8 以前的 for 循环 code 可能需要加入额外的多线程逻辑。

但一般认为，forEach 和常规 for 循环的差异不涉及到性能，它们仅仅是函数式风格与传统 Java 风格的差别。

另外一点需要注意，forEach 是 terminal 操作，因此它执行后，Stream 的元素就被“消费”掉了，你无法对一个 Stream 进行两次 terminal 运算。下面的代码是错误的：

相反，具有相似功能的 intermediate 操作 peek 可以达到上述目的。如下是出现在该 api javadoc 上的一个示例。

package lambda;

import java.util.List;
import java.util.stream.Collectors;
import java.util.stream.Stream;

public class PeekTest {
	public static void main(String[] args) {
		List<String> list = Stream.of("one", "two", "three", "four")
		 .filter(e -> e.length() > 3)
		 .peek(e -> System.out.println("Filtered value: " + e))
		 .map(String::toUpperCase)
		 .peek(e -> System.out.println("Mapped value: " + e))
		 .collect(Collectors.toList());
		System.out.println(list);
	}
}
/*Output:
Filtered value: three
Mapped value: THREE
Filtered value: four
Mapped value: FOUR
[THREE, FOUR]
*/

forEach不能修改自己包含的本地变量值，也不能用 break/return 之类的关键字提前结束循环。

// Optional 的两个用例
String strA = " abcd ", strB = null;
print(strA);
print("");
print(strB);
getLength(strA);
getLength("");
getLength(strB);
public static void print(String text) {
 // Java 8
 Optional.ofNullable(text).ifPresent(System.out::println);
 // Pre-Java 8
 if (text != null) {
 System.out.println(text);
 }
 }
public static int getLength(String text) {
 // Java 8
return Optional.ofNullable(text).map(String::length).orElse(-1);
 // Pre-Java 8
// return if (text != null) ? text.length() : -1;
 };

在更复杂的 if (xx != null) 的情况中，使用 Optional 代码的可读性更好，而且它提供的是编译时检查，能极大的降低 NPE 这种 Runtime Exception 对程序的影响，或者迫使程序员更早的在编码阶段处理空值问题，而不是留到运行时再发现和调试。

Stream中的 findAny、max/min、reduce 等方法等返回 Optional 值。还有例如 IntStream.average() 返回 OptionalDouble 等等。

reduce

这个方法的主要作用是把 Stream 元素组合起来。它提供一个起始值（种子），然后依照运算规则（BinaryOperator），和前面 Stream 的第一个、第二个、第 n 个元素组合。从这个意义上说，字符串拼接、数值的 sum、min、max、average 都是特殊的 reduce。例如 Stream 的 sum 就相当于

Integersum = integers.reduce(0, (a, b) -> a+b); 或

Integersum = integers.reduce(0, Integer::sum);

也有没有起始值的情况，这时会把 Stream 的前面两个元素组合起来，返回的是 Optional。

//reduce 的用例

// 字符串连接，concat = "ABCD"
String concat = Stream.of("A", "B", "C", "D").reduce("", String::concat); 
// 求最小值，minValue = -3.0
double minValue = Stream.of(-1.5, 1.0, -3.0, -2.0).reduce(Double.MAX_VALUE, Double::min); 
// 求和，sumValue = 10, 有起始值
int sumValue = Stream.of(1, 2, 3, 4).reduce(0, Integer::sum);
// 求和，sumValue = 10, 无起始值
sumValue = Stream.of(1, 2, 3, 4).reduce(Integer::sum).get();
// 过滤，字符串连接，concat = "ace"
concat = Stream.of("a", "B", "c", "D", "e", "F").
 filter(x -> x.compareTo("Z") > 0).
 reduce("", String::concat);

上面代码例如第一个示例的 reduce()，第一个参数（空白字符）即为起始值，第二个参数（String::concat）为 BinaryOperator。这类有起始值的 reduce() 都返回具体的对象。而对于第四个示例没有起始值的 reduce()，由于可能没有足够的元素，返回的是 Optional，请留意这个区别。

sorted

对 Stream 的排序通过 sorted 进行，它比数组的排序更强之处在于你可以首先对 Stream 进行各类 map、filter、limit、skip 甚至 distinct 来减少元素数量后，再排序，这能帮助程序明显缩短执行时间。我们对代码 14 进行优化：

// 优化：排序前进行 limit 和 skip

List<Person> persons = new ArrayList();
 for (int i = 1; i <= 5; i++) {
 Person person = new Person(i, "name" + i);
 persons.add(person);
 }
List<Person> personList2 = persons.stream().limit(2).sorted((p1, p2) -> p1.getName().compareTo(p2.getName())).collect(Collectors.toList());
System.out.println(personList2);
/*Output:
name2
name1
[stream.StreamDW$Person@6ce253f1, stream.StreamDW$Person@53d8d10a]
**/

当然，这种优化是有 business logic 上的局限性的：即不要求排序后再取值。

min/max/distinct

min和 max 的功能也可以通过对 Stream 元素先排序，再 findFirst 来实现，但前者的性能会更好，为 O(n)，而 sorted 的成本是 O(n log n)。同时它们作为特殊的 reduce 方法被独立出来也是因为求最大最小值是很常见的操作。

// 找出最长一行的长度
BufferedReader br = new BufferedReader(newFileReader("c:\\SUService.log"));
int longest = br.lines().
 mapToInt(String::length).
 max().
 getAsInt();
br.close();
System.out.println(longest);

下面的例子则使用 distinct 来找出不重复的单词。

// 找出全文的单词，转小写，并排序
List<String> words = br.lines().
 flatMap(line -> Stream.of(line.split(""))).
 filter(word -> word.length() > 0).
 map(String::toLowerCase).
 distinct().
 sorted().
 collect(Collectors.toList());
br.close();
System.out.println(words);

3.5 流的Short-circuiting操作

·        Short-circuiting：

anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 limit

我们下面看一下 Stream 的比较典型用法。

Match

Stream 有三个 match 方法，从语义上说：

·        allMatch：Stream 中全部元素符合传入的 predicate，返回 true

·        anyMatch：Stream 中只要有一个元素符合传入的 predicate，返回 true

·        noneMatch：Stream 中没有一个元素符合传入的 predicate，返回 true

它们都不是要遍历全部元素才能返回结果。例如 allMatch 只要一个元素不满足条件，就 skip 剩下的所有元素，返回 false。

package lambda;

import java.util.ArrayList;
import java.util.List;

public class MatchTest {
	public void matchTest(){
		List<Person> persons = new ArrayList();
		persons.add(new Person(1, "name" + 1, 10));
		persons.add(new Person(2, "name" + 2, 21));
		persons.add(new Person(3, "name" + 3, 34));
		persons.add(new Person(4, "name" + 4, 6));
		persons.add(new Person(5, "name" + 5, 55));
		boolean isAllAdult = persons.stream().
		 allMatch(p -> p.getAge() > 18);
		System.out.println("All are adult? " + isAllAdult);
		boolean isThereAnyChild = persons.stream().
		 anyMatch(p -> p.getAge() < 12);
		System.out.println("Any child? " + isThereAnyChild);
	}
	private class Person {
		public int no;
		private int age;
		private String name;

		public Person(int no, String name, int age) {
			this.no = no;
			this.name = name;
			this.age = age;
		}

		public int getAge(){
			return age;
		}
	}
	public static void main(String[] args) {
		new MatchTest().matchTest();
	}
}

findFirst

这是一个 termimal 兼 short-circuiting 操作，它总是返回 Stream 的第一个元素，或者空。

这里比较重点的是它的返回值类型：Optional。这也是一个模仿 Scala 语言中的概念，作为一个容器，它可能含有某值，或者不包含。使用它的目的是尽可能避免 NullPointerException。

3.6 生成自己的流

Stream.generate

通过实现 Supplier 接口，你可以自己来控制流的生成。这种情形通常用于随机数、常量的 Stream，或者需要前后元素间维持着某种状态信息的 Stream。把 Supplier 实例传递给 Stream.generate() 生成的 Stream，默认是串行（相对 parallel 而言）但无序的（相对 ordered 而言）。由于它是无限的，在管道中，必须利用 limit 之类的操作限制 Stream 大小。

Stream.generate()还接受自己实现的 Supplier。例如在构造海量测试数据的时候，用某种自动的规则给每一个变量赋值；或者依据公式计算 Stream 的每个元素值。这些都是维持状态信息的情形。

Stream.iterate

iterate跟 reduce 操作很像，接受一个种子值，和一个 UnaryOperator（例如 f）。然后种子值成为 Stream 的第一个元素，f(seed) 为第二个，f(f(seed)) 第三个，以此类推。

代码 24. 生成一个等差数列

     Stream.iterate(0, n -> n + 3).limit(10). forEach(x -> System.out.print(x + " "));.

输出结果：

     0 3 6 9 12 15 18 21 24 27

与 Stream.generate 相仿，在 iterate 时候管道必须有 limit 这样的操作来限制Stream 大小。

用 Collectors 来进行 reduction 操作

java.util.stream.Collectors 类的主要作用就是辅助进行各类有用的 reduction 操作，例如转变输出为 Collection，把 Stream 元素进行归组。

groupingBy/partitioningBy

// 按照年龄归组<strong>

</strong>Map<Integer, List<Person>> personGroups = Stream.generate(new PersonSupplier()).
 limit(100).
 collect(Collectors.groupingBy(Person::getAge));
Iterator it = personGroups.entrySet().iterator();
while (it.hasNext()) {
 Map.Entry<Integer, List<Person>> persons = (Map.Entry) it.next();
 System.out.println("Age " + persons.getKey() + " = " + persons.getValue().size());
}

上面的 code，首先生成 100 人的信息，然后按照年龄归组，相同年龄的人放到同一个 list 中，可以看到如下的输出：

Age 0 = 2

Age 1 = 2

Age 5 = 2

Age 8 = 1

Age 9 = 1

Age 11 = 2

……

在使用条件“年龄小于 18”进行分组后可以看到，不到 18 岁的未成年人是一组，成年人是另外一组。partitioningBy 其实是一种特殊的 groupingBy，它依照条件测试的是否两种结果来构造返回的数据结构，get(true) 和 get(false) 能即为全部的元素对象。

// 按照未成年人和成年人归组

Map<Boolean, List<Person>> children = Stream.generate(new PersonSupplier()).
 limit(100).
 collect(Collectors.partitioningBy(p -> p.getAge() < 18));
System.out.println("Children number: " + children.get(true).size());
System.out.println("Adult number: " + children.get(false).size());
/*Output
Children number: 23 
Adult number: 77
*/

4 流Stream小结

总之，Stream 的特性可以归纳为：

·        不是数据结构

·        它没有内部存储，它只是用操作管道从 source（数据结构、数组、generator function、IO channel）抓取数据。

·        它也绝不修改自己所封装的底层数据结构的数据。例如 Stream 的 filter 操作会产生一个不包含被过滤元素的新 Stream，而不是从 source 删除那些元素。

·        所有 Stream 的操作必须以 lambda 表达式为参数

·        不支持索引访问

·        你可以请求第一个元素，但无法请求第二个，第三个，或最后一个。不过请参阅下一项。

·        很容易生成数组或者 List

·        惰性化

·        很多 Stream 操作是向后延迟的，一直到它弄清楚了最后需要多少数据才会开始。

·        Intermediate 操作永远是惰性化的。

·        并行能力

·        当一个 Stream 是并行化的，就不需要再写多线程代码，所有对它的操作会自动并行进行的。

·        可以是无限的

o    集合有固定大小，Stream 则不必。limit(n) 和 findFirst() 这类的 short-circuiting 操作可以对无限的 Stream 进行运算并很快完成。