java8新特性从入门到应用 第二章 Stream 数据流
此流非彼流,估计第一眼看到这个标题的同学会将Streams当作InputStream或OutputStream 的兄弟,其实不然,Streams只是借用了流的概念,和原本的输入输出流是完全不同的东西。
本文代码及API部分转载自
幸运的天才小驴
特点介绍
- Stream是对一系列集合进行操作的api
- 使用FunctionalInterface接口作为参数,可以直接使用Lambda,直观易懂
- Stream采用管道式api进行操作(指返回类型是类本身类型的方法,这类方法可以一直点下去从而省去中间声明命名等过程,使得写出来的代码更具可读性)。
- Stream的源可以是无限的(难以理解?其实就是根据设置一定的规则Stream将按规则 源源不断的生成数据)。
- Stream只能使用一次,当出现终端操作的时候Streams就会被消耗完(Stream不可复用)。
- Stream只循环一次,无论有多少中间操作。
你可以简单的将Stream的概念先理解成循环,然后在向下阅读,比较循环和Stream的异同,自然而然就可以学会了,(某些的大佬的解释是很严谨,但刚看时反而理解不上去)
Stream组成
Stream有3部分组成
- 源:指创建一个Stream的部分,有且只有一个
相当于你想要循环的数据 比如你想循环一个数组,那么这个数组就是源
- 中间操作:指返回值是自己本身或另一个Stream的部分,可以有零到多个。
相当于循环体,你想对循环的数据作什么,判断?、计算? 这都叫中间操作
- 终端:用于启动流的运行并产生结果或副作用。
就是循环完成了你想干什么, 求和?查找? 这就是终端
源
指创建一个Stream,可以从多种数据类型中进行创建
- 直接创建
Stream stream=Stream.of("1","2","3");
Stream stream=Stream.generate(Math::random);
- 从Collection (List,Set) 中产生
Collection list=new ArrayList();
Stream stream=list.stream();
- 将数组转为Stream
String[] arr={"1","2","3"};
Stream stream=Stream.of(arr);
Stream stream=Arrays.stream(arr);
ps: 只要api支持很多类都可以直接转成 Stream
中间操作
所谓中间操作就是一系列Api的集合
`以下内容非原创 原文地址:幸运的天才小驴
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的处理! 而在终止操作时一次性全部处理,称为“惰性求值”.
筛选与切片
方法 |
描述 |
filter(Predicate p) |
从流中排除某些元素 |
distinct() |
通过流元素的 hashCode() 和 equals() 对流进行去重 |
limit(long maxSize) |
截断流,使其元素不超过给定数量 |
skip(long n) |
跳过元素,返回一个扔掉了前 n 个元素的流。若流中元素 不足 n 个,则返回一个空流。与 limit(n) 互补 |
案例:
定义一个集合: Employee 重写 hashcode , equals — 去重时使用
List<Employee> emps = Arrays.asList(
new Employee(101, "林青霞", 28, 9889.99),
new Employee(102, "东方不败", 29, 4329.85),
new Employee(103, "周星驰", 40, 1233.88),
new Employee(104, "大圣", 500, 5000.44),
new Employee(105, "张无忌", 15, 3000.09),
new Employee(102, "东方不败", 29, 4329.85)
);
执行操作:
内部迭代 - 迭代操作由Stream API 完成操作
public void test2() {
// 中间操作不会做任何处理
Stream<Employee> stream = emps.stream()
.filter((e) -> {
System.out.println("惰性求值");
return e.getAge() < 30;
});
System.out.println("--------------------");
// 终止操作,一次性执行全部功能, 称为 "惰性求值"
stream.forEach(System.out::println);
}
执行结果:
--------------------
惰性求值
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
惰性求值
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
惰性求值
惰性求值
惰性求值
Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}
惰性求值
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
**外部迭代 **
@Test
public void test3() {
Iterator<Employee> iterator = emps.iterator();
while (iterator.hasNext()) {
System.out.println(iterator.next());
}
}
执行结果:
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
Employee{id=103, name='周星驰', age=40, salary=1233.88, status=null}
Employee{id=104, name='大圣', age=500, salary=5000.44, status=null}
Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
**中间操作 - 截断流 **
@Test
public void test4() {
emps.stream()
.filter(employee -> employee.getAge() < 30) // 过滤年龄小于30的人
.limit(1) // 截取一个
.forEach(System.out::println);
}
执行结果:
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
**中间操作 - 跳过 ** ps: 不是让你跳过
@Test
public void test5() {
emps.stream()
.filter(employee -> employee.getAge() < 30)
.skip(2)
.forEach(System.out::println);
}
执行结果:
Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
**中间操作 - 筛选去重 **
@Test
public void test6() {
emps.stream()
.distinct()
.forEach(System.out::println);
}
执行结果:
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
Employee{id=103, name='周星驰', age=40, salary=1233.88, status=null}
Employee{id=104, name='大圣', age=500, salary=5000.44, status=null}
Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}
映射
只介绍map 其他4个和map大同小异
方法 |
描述 |
map(Function f) |
接收一个函数作为参数,该函数会被应用到每个元 素上,并将其映射成一个新的元素。 |
mapToDouble(ToDoubleFunction f) |
接收一个函数作为参数,该函数会被应用到每个元 素上,产生一个新的 DoubleStream。 |
mapToInt(ToIntFunction f) |
接收一个函数作为参数,该函数会被应用到每个元 素上,产生一个新的 IntStream。 |
mapToLong(ToLongFunction f) |
接收一个函数作为参数,该函数会被应用到每个元 素上,产生一个新的 LongStream。 |
flatMap(Function f) |
接收一个函数作为参数,将流中的每个值都换成另一个流,然后把所有流连接成一个流 |
案例:
map操作
public void test7() {
List<String> list = Arrays.asList("aaa", "java", "ccc", "java8", "hello world");
list.stream()
.map((x) -> x.toUpperCase())
.forEach(System.out::println);
System.out.println("-------------");
emps.stream()
.map(Employee::getAge)
.forEach(System.out::println);
}
执行结果:
AAA
JAVA
CCC
JAVA8
HELLO WORLD
-------------
28
29
40
500
15
29
flatMap操作
先定义一个 filterCharacter(String str) 方法:
private static Stream<Character> filterCharacter(String str) {
List<Character> characters = new ArrayList<>();
for (Character character : str.toCharArray()) {
characters.add(character);
}
return characters.stream();
}
执行测试代码:
@Test
public void test8() {
List<String> list = Arrays.asList("aaa", "hello world");
Stream<Stream<Character>> streamStream = list.stream()
.map(LambdaStramAPI::filterCharacter);
streamStream.forEach((s) -> {
s.forEach((c) -> System.out.println(c + ""));
System.out.println();
});
System.out.println("----------------------");
list.stream()
.flatMap(LambdaStramAPI::filterCharacter)
.forEach(System.out::println);
}
执行结果:
a
a
a
h
e
l
l
o
w
o
r
l
d
----------------------
a
a
a
h
e
l
l
o
w
o
r
l
d
排序
方法 |
描述 |
sorted() |
产生一个新流,其中按自然顺序排序 |
sorted(Comparator comp) |
产生一个新流,其中按比较器顺序排序 |
案例:
@Test
public void test9() {
emps.stream()
.map(Employee::getSalary)
.sorted()
.forEach(System.out::println);
System.out.println("-----------------");
emps.stream()
.map(Employee::getAge)
.sorted(Integer::compare)
.forEach(System.out::println);
}
执行结果:
1233.88
3000.09
4329.85
4329.85
5000.44
9889.99
-----------------
15
28
29
29
40
500
Stream的终止操作
终止操作会从流的流水线生成结果。其结果可以是任何不是流的值,例如:List、Integer,甚至是 void 。
查找与匹配
方法 |
描述 |
结果 |
allMatch(Predicate p) |
检查是否匹配所有元素 |
boolean |
anyMatch(Predicate p) |
检查是否至少匹配一个元素 |
boolean |
noneMatch(Predicate p) |
检查是否没有匹配所有元素 |
boolean |
findFirst() |
返回第一个元素 |
T |
findAny() |
返回当前流中的任意元素 |
T |
count() |
返回流中元素总数 |
long |
max(Comparator c) |
返回流中最大值 |
T |
min(Comparator c) |
返回流中最小值 |
T |
forEach(Consumer c) |
内部迭代(使用 Collection 接口需要用户去做迭 代,称为外部迭代。相反,Stream API 使用内部 迭代——它帮你把迭代做了) |
void |
案例:
匹配
public void test10() {
boolean allMatch = emps.stream()
.allMatch((employee -> employee.getName().equals("林青霞")));
System.out.println(allMatch);
System.out.println("-----------------");
boolean anyMatch = emps.stream()
.anyMatch(employee -> employee.getName().equals("林青霞"));
System.out.println(anyMatch);
System.out.println("-----------------");
boolean noneMatch = emps.stream()
.noneMatch(employee -> employee.getName().equals("林青霞"));
System.out.println(noneMatch);
}
执行结果:
false
-----------------
true
-----------------
false
**第一个元素 、 任意一个元素 **
public void test12() {
Optional<String> first = emps.stream()
.map(Employee::getName)
.sorted()
.findFirst(); // 获取第一个元素
System.out.println(first.get());
System.out.println("-----------------");
Optional<Employee> findAny = emps.parallelStream()
.filter(employee -> employee.getName().equals("林青霞"))
.findAny(); //任意一个元素
System.out.println(findAny.get());
}
执行结果:
东方不败
-----------------
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
**统计总个数、 最大、 最小值 **
public void test13() {
Stream<Employee> stream = emps.stream();
long count = stream.count();
System.out.println(count);
System.out.println("-----------------");
Optional<Double> doubleOptional = emps.stream()
.map(Employee::getSalary)
.max(Double::compare); //最大值
System.out.println(doubleOptional.get());
System.out.println("-----------------");
Optional<Employee> employeeOptional = emps.stream()
.min((x, y) -> Double.compare(x.getSalary(), y.getSalary())); // 最小值
System.out.println(employeeOptional.get());
}
执行结果:
6
-----------------
9889.99
-----------------
Employee{id=103, name='周星驰', age=40, salary=1233.88, status=null}
归约
ps: map 和 reduce 的连接通常称为 map-reduce 模式,因 Google 用它 来进行网络搜索而出名。 --转载自
幸运的天才小驴
方法 |
描述 |
reduce(T iden, BinaryOperator b) |
可以将流中元素反复结合起来,得到一个值。 返回 T |
reduce(BinaryOperator b) |
可以将流中元素反复结合起来,得到一个值。 返回 Optional< T> |
案例:
求和
@Test
public void test14() {
List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);
Integer sum = list.stream()
.reduce(0, (x, y) -> x + y);
System.out.println(sum);
}
执行结果:
55
计算次数
public void test15() {
Optional<Double> doubleOptional = emps.stream()
.map(Employee::getSalary)
.reduce(Double::max);
System.out.println(doubleOptional);
System.out.println("-----------------");
//查看 东方不败 出现的次数 -- 【此处还有点毛病】
Optional<Integer> sumOptional = emps.stream()
.map(Employee::getName)
.flatMap(LambdaStramAPI::filterCharacter)
.map((c) -> {
if (c.equals("东")) return 1;
else return 0;
}).reduce(Integer::sum);
System.out.println(sumOptional.get());
}
执行结果:
Optional[9889.99]
-----------------
0
收集
方法 |
描述 |
collect(Collector c) |
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 |
案例:
public void test16(){
List<String> collect = emps.stream()
.map(Employee::getName)
.collect(Collectors.toList());
collect.forEach(System.out::println);
System.out.println("-------------------");
Set<String> set = emps.stream()
.map(Employee::getName)
.collect(Collectors.toSet());
set.forEach(System.out::println);
System.out.println("-------------------");
HashSet<String> hashSet = emps.stream()
.map(Employee::getName)
.collect(Collectors.toCollection(HashSet::new));
hashSet.forEach(System.out::println);
}
执行结果:
林青霞
东方不败
周星驰
大圣
张无忌
东方不败
-------------------
周星驰
林青霞
大圣
东方不败
张无忌
-------------------
周星驰
林青霞
大圣
东方不败
张无忌
**收集统计 **
public void test17(){
// 统计总个数
Long count = emps.stream()
.collect(Collectors.counting());
System.out.println(count);
System.out.println("-------------------");
// 求平均值
Double avg = emps.stream()
.collect(Collectors.averagingDouble(Employee::getSalary));
System.out.println(avg);
System.out.println("-------------------");
// 求和
Double sum = emps.stream()
.collect(Collectors.summingDouble(Employee::getSalary));
System.out.println(sum);
System.out.println("-------------------");
//求最大值
Optional<Employee> max = emps.stream()
.collect(Collectors.maxBy((x, y) -> Double.compare(x.getSalary(), y.getSalary())));
System.out.println(max.get());
System.out.println("-------------------");
//求最小值
Optional<Double> min = emps.stream()
.map(Employee::getSalary)
.collect(Collectors.minBy(Double::compare));
System.out.println(min.get());
System.out.println("-------------------");
//统计分析
DoubleSummaryStatistics doubleSummaryStatistics = emps.stream()
.collect(Collectors.summarizingDouble(Employee::getSalary));
System.out.println(doubleSummaryStatistics.getAverage());
System.out.println("-------------------");
//拼接
String join = emps.stream()
.map(Employee::getName)
.collect(Collectors.joining(",", "--", "--"));
System.out.println(join);
}
执行结果:
6
-------------------
4630.683333333333
-------------------
27784.1
-------------------
Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}
-------------------
1233.88
-------------------
4630.683333333333
-------------------
--林青霞,东方不败,周星驰,大圣,张无忌,东方不败--
**收集-分组 **
public void test18(){
Map<String, List<Employee>> group = emps.stream()
.collect(Collectors.groupingBy(Employee::getName));
System.out.println(group);
}
执行结果:
{
周星驰=[Employee{id=103, name='周星驰', age=40, salary=1233.88, status=null}],
林青霞=[Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}],
大圣=[Employee{id=104, name='大圣', age=500, salary=5000.44, status=null}],
东方不败=[
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null},
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
],
张无忌=[Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}]}
**收集-多级分组 **
public void test19(){
Map<String, Map<String, List<Employee>>> group = emps.stream()
.collect(Collectors.groupingBy(Employee::getName, Collectors.groupingBy((e) -> {
if (e.getAge() < 30) return "青年";
else if (e.getAge() < 50) return "中年";
else return "老年";
})));
System.out.println(group);
}
执行结果:
{周星驰={中年=[Employee{id=103, name='周星驰', age=40, salary=1233.88, status=null}]},
林青霞={青年=[Employee{id=101, name='林青霞', age=28, salary=9889.99, status=null}]},
大圣={老年=[Employee{id=104, name='大圣', age=500, salary=5000.44, status=null}]},
东方不败={青年=[
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null},
Employee{id=102, name='东方不败', age=29, salary=4329.85, status=null}
]},
张无忌={青年=[Employee{id=105, name='张无忌', age=15, salary=3000.09, status=null}]}}
Collector 接口中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 供了很多静态 方法,可以方便地创建常见收集器实例,具体方法与实例如下表:
Collector 接口API
方法 |
返回类型 |
作用 |
toList |
List |
把流中元素收集到List |
toSet |
Set |
把流中元素收集到Set |
toCollection |
Collection |
把流中元素收集到Set |
counting |
Long |
计算流中元素的个数 |
summingInt |
Integer |
对流中元素的整数属性求和 |
averagingInt |
Double |
计算流中元素Integer属性的平均 值 |
summarizingInt |
IntSummaryStatistics |
收集流中Integer属性的统计值。 如:平均值 |
joining |
String |
连接流中每个字符串 |
maxBy |
Optional |
根据比较器选择最大值 |
minBy |
Optional |
根据比较器选择最小值 |
reducing |
归约产生的类型 |
从一个作为累加器的初始值 开始,利用BinaryOperator与 流中元素逐个结合,从而归 约成单个值 |
collectingAndThen |
转换函数返回的类型 |
包裹另一个收集器,对其结 果转换函数 |
groupingBy |
Map<K, List> |
根据某属性值对流分组,属 性为K,结果为V |
partitioningBy |
Map<Boolean, List> |
根据true或false进行分组 |