1 Stream简介
Stream是数据渠道，用于操作数据源（集合，数组等）所生成得元素序列。而集合讲得是数据，流讲得是计算。
注意： Stream 自己不会存储元素。 Stream 不会改变源对象。相反，它会返回一个持有结果得新Stream Stream 操作时延迟执行得，这意味着它们会等到需要结果时才执行。（延迟加载）
Stream 操作步骤 Stream 创建： 一个数据源（集合，数组），获取一个流。 Stream 中间操作： 一个中间操作链，对数据源的数据进行处理。 Stream 终止操作： 一个终止操作，执行中间操作链，并产生结果。
2 Stream 用法
2.1 创建Stream //1. 通过 Collection.stream() / parallelStream() 创建Stream List<String> list = new ArrayList<String>(); Stream<String> stream11 = list.stream(); // 串行流 Stream<String> stream12 = list.parallelStream(); // 并行流 //2. 通过 Arrays.stream() 获取数组流 IntStream stream2 = Arrays.stream(new int[]{1,2}); // 串行流 //3. 通过 Stream.of() 获取流 Stream<String> stream3 = Stream.of("123", "456"); // 串行流 //4. 创建无限流，需要配合 limit() 截断，不然无限制下去 Stream<Integer> stream41 = Stream.iterate(2, (x) -> x * 2); // 串行流 Stream<Double> stream42 = Stream.generate(Math::random); // 串行流
2.2 Stream 中间操作
多个中间操作可以连接起来形成一个流水线，除非流水线上触发终止操作，否则中间操作不会执行任何得处理。而终止操作时一次性全部处理，称为‘延迟加载’
中间操作(例举部分) 说明 limit(long maxSize) 截断，使其元素不超过给定数量
filter(Predicate<T> predicate) 过滤，从流中过滤出想要的元素
skip(long n) 忽略，跳过前n个元素，若流中元素不足n个，则返回空
distinct() 去重，通过元素 hashCode() 和 equals() 去除重复元素
map(Funcation<T,R> mapper) 映射，函数会被应用到每个元素上，并将其映射成一个新的元素
flatMap(Function<T, Stream> mapper) 映射，将流中的每个值都换成一个流，然后把所有流连接成一个流
sorted() sorted(Comparator<T> comparator)
排序，自然排序 排序，定制排序
// 中间操作：不会执行任何操作 Stream<Double> stream = Stream.generate(Math::random) // double 无限流 .limit(20) // 截断，取前 20 个 .filter(x -> x > 0.3) // 过滤，取大于 0.3 的元素 .skip(1) // 忽略，丢弃第一个元素 .distinct() // 去重 .map(x -> x * 10) // 映射，将每个元素扩大 10 倍 .sorted(); // 对 double 流进行排序 // 终止操作，只有执行终止操作才会执行全部。即：延迟加载 stream.forEach(System.out::println); // 中间操作：flatMap 接收一个函数作为参数，将流中的每个值都换成一个流，然后把所有流连接成一个流 List<String> list = Arrays.asList("aaa", "bbb", "ccc", "ddd"); list.stream().flatMap((e) -> filterCharacter(e)).forEach(System.out::println); //如果使用map则需要这样写 list.stream().map((e) -> filterCharacter(e)).forEach((e) -> { e.forEach(System.out::println); }); public Stream<Character> filterCharacter(String str){ List<Character> list = new ArrayList<>(); for (Character ch : str.toCharArray()) { list.add(ch); } return list.stream(); }
2.3 Stream 终止操作
2.3.1 查找与匹配
操作(例举部分) 说明 allMatch(Predicate<T> predicate) 检查是否匹配所有元素
anyMatch(Predicate<T> predicate) 检查是否至少匹配所有元素
noneMatch(Predicate<T> predicate) 检查是否没有匹配所有元素
findFirst() 返回第一个元素
findAny() 返回当前流中任意元素
count() 返回流中元素总个数
max(Comparator<T> comparator) min(Comparator<T> comparator)
返回流中最大值 返回流中最小值

2.3.2 规约 - 将流中元素结合在一起，返回一个值
操作(例举部分) 说明
reduce（T identitty，BinaryOperator<T>） reduce（BinaryOperator<T>）
需要传一个起始值，然后，传入的是一个二元运算 没有起始值，有可能结果为空，所以返回的值会被封装到Optional中
// 求和 List<Integer> list = Arrays.asList(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10); Integer sum = list.stream().reduce(0, (x, y) -> x + y); // 求和，没有起始值，则有可能结果为空，所以返回的值会被封装到Optional中 List<Integer> list = Arrays.asList(0, 1, 2, 3, 4, 5, 6, 7, 8, 9, 10); Optional<Integer> sum = list.stream().reduce(Integer :: sum);
2.3.3 收集
将流转换为其他形式。接收一个Collector接口的实现，用于给Stream中元素做汇总的方法。Collector接口方法的实现决定了如何对流执行收集操作（如收集到List，Set，Map）。但是Collectors实用类提供了很多静态方法，可以方便地创建常见得收集器实例。
操作(例举部分) 说明 Collectors.toList() 将流转换成List
Collectors.toSet() 将流转换为Set
Collectors.toCollection(Supplier<T> supplier) 将流转换为其他类型的集合
Collectors.counting() 元素个数
Collectors.averagingInt/Long/Double(Function<T,R> function) 平均数，不同之处在于传入得参数类型不同，返回值都为Double
Collectors.summingInt/Long/Double(Function<T,R> function) 求和，不同之处在于传入得参数类型不同，返回值为Integer， Double， Long
Collectors.maxBy(Comparator<T> comparator) 最大值
Collectors.minBy(Comparator<T> comparator) 最小值
Collectors.groupingBy(Function<T,R> function) Collectors.partitioningBy(Predicate<T> predicate)
分组，返回Map 分区，传入函数返回true和false 分成两个区，返回Map

3 并行流
并行流就是把一个内容分成多个数据块，并用不同的线程分别处理每个数据块的流。Java8中将并行流进行了优化，我们可以很容易的对数据进行并行操作。Stream API可以声明性地通过parallel（）与scqucntial（）在并行流与顺序流之间进行切换。
3.1 Fork-Join 框架
Fork—Join框架：是java7提供得一个用于执行任务得框架，就是在必要得情况下，将一个大任务，进行拆分（Fork）成若干个小任务（拆分到不能再拆分），再将一个个的小任务运算得结果进行join汇总。
Fork—Join框架时ExecutorService接口得一种具体实现，目的是为了帮助更好地利用多处理器带来得好处。它是为那些能够被递归地拆分成子任务的工作类型量身设计的。起目的在于能够使用所有有可用的运算能力来提升你的应用的性能。
关于 Fork-Join 实现原理请看这篇：图解Fork/Join https://mp.weixin.qq.com/s/OzZFGW_8GBYHUa0Ef10WVg /** * 要想使用Fark—Join，类必须继承RecursiveAction（无返回值）或者 RecursiveTask（有返回值） * * 计算从 start 到 end 的数字累加 */ public class ForkJoin extends RecursiveTask<Long> { private long start; // 起始数字 private long end; // 结束数字 public ForkJoin(long start, long end) { this.start = start; this.end = end; } // 拆分的最小区间 private static final long THRESHOLD = 10000L; @Override protected Long compute() { // 当区间小于最小区间时，直接计算累加 if (end - start <= THRESHOLD) { long sum = 0; for (long i = start; i < end; i++) { sum += i; } return sum; } else { // 否则，将区间一分为二，分给两个不同的线程去计算 // 注意这里，如果有问题，会抛出java.lang.NoClassDefFoundError: Could not initialize class java.util.concurrent.locks.AbstractQueuedSynchronizer$Node 异常 long middle = start + (end - start) / 2; ForkJoin left = new ForkJoin(start, middle); // 递归，直到分解到最小区间后，开始计算 left.fork(); // 拆分子任务，压入线程队列 ForkJoin right = new ForkJoin(middle, end); // 递归，直到分解到最小区间后，开始计算 right.fork(); // 拆分子任务，压入线程队列 // 合并两部分计算的值 return left.join() + right.join(); } } public static void main(String[] args) { // 开始时间 Instant start = Instant.now(); // 这里需要一个线程池的支持 ForkJoinPool pool = new ForkJoinPool(); // 累加到 1 亿 ForkJoinTask<Long> task = new ForkJoin(0, 100000000L); long sum = pool.invoke(task); // 结束时间 Instant end = Instant.now(); System.out.println(String.format("累加到1亿的计算时间为：%s 毫秒，值：%s", Duration.between(start, end).toMillis(), sum)); } }
3.2 并行流对 Fork-Join 的简化 //开始时间 Instant start = Instant.now(); long sum = LongStream.rangeClosed(0, 1000000000L) // 创建0-1亿的数字串行流 .parallel() // 转换为并行流，使用Fort-Join框架，缺省使用ForkJoinPool.commonPool()线程池 .reduce(0, Long :: sum); // 规约计算所有元素累加 //结束时间 Instant end = Instant.now(); System.out.println(String.format("累加到1亿的计算时间为：%s 毫秒，值：%s", Duration.between(start, end).toMillis(), sum));
3.3 并行流的性能
性能测试请看：Stream Performance https://github.com/CarpenterLee/JavaLambdaInternals/blob/master/8-Stream%20Performance.md 此处引用结论： * 对于简单操作，比如最简单的遍历，Stream串行API性能明显差于显示迭代，但并行的Stream API能够发挥多核特性。 * 对于复杂操作，Stream串行API性能可以和手动实现的效果匹敌，在并行执行时Stream API效果远超手动实现。 所以，如果出于性能考虑， 1. 对于简单操作推荐使用外部迭代手动实现， 2. 对于复杂操作，推荐使用Stream API， 3. 在多核情况下，推荐使用并行Stream API来发挥多核优势， 4. 单核情况下不建议使用并行Stream API。 如果出于代码简洁性考虑，使用Stream API能够写出更短的代码。 即使是从性能方面说，尽可能的使用Stream API也另外一个优势， 那就是只要Java Stream类库做了升级优化，代码不用做任何修改就能享受到升级带来的好处。