• 如果您觉得本站非常有看点,那么赶紧使用Ctrl+D 收藏吧

JAVA8新特性[第四季]-强大的Stream API

java 来源:幸运的天才小驴 2次浏览

相关源码地址:https://github.com/liudongdong0909/java8/tree/master/java8-Lambda/src/com/donggua

Java8中有两大最为重要的改变。第一个是 Lambda 表达式 ;另外一 个则是 Stream API(java.util.stream.*)。

Stream 是 Java8 中处理集合的关键抽象概念,它可以指定你希望对 集合进行的操作,可以执行非常复杂的查找、过滤和映射数据等操作。

使用Stream API 对集合数据进行操作,就类似于使用 SQL 执行的数 据库查询。也可以使用 Stream API 来并行执行操作。简而言之, Stream API 供了一种高效且易于使用的处理数据的方式。

一、什么是 Stream

流(Stream) 到底是什么呢?
是数据渠道,用于操作数据源(集合、数组等)所生成的元素序列。
集合讲的是数据,流讲的是计算!
注意:
1. Stream自己不会存储元素。
2. Stream不会改变原对象。相反,他们会返回一个持有结果的新Stream。
3. Stream操作是延迟执行。这意味着他们会等到需要结果的时候才执行。

二、Stream操作的三个步骤

2.1 第一步:创建stream

一个数据源(如:集合或数组),获取一个流

2.2 第二步:中间操作

一个中间操作链,对数据源的数据进行处理。

2.3 第三步:终止操作(终端操作)

一个终止操作,执行中间操作链,并产生结果。

三、创建Stream的四种方式

3.1 第一种方式:通过 Collection 系列集合提供的方法 stream() 或者 parallelStream()

Java8 中的 Collection 接口被扩展, 供了两个获取流的方法:
1. default Stream< E> stream() : 返回一个顺序流
2. default Stream< E> parallelStream() : 返回一个并行流

案例:

 List<Employee> list = new ArrayList<>();
 Stream<Employee> stream = list.stream();
 Stream<Employee> parallelStream = list.parallelStream();

3.2 第二种方式:由数组创建流

通过 Arrays中的静态方法 stream() 创建数据源 。
static < T> Stream< T> stream(T[] array): 返回一个流

重载形式,能够处理对应基本类型的数组:
1. public static IntStream stream(int[] array)
2. public static LongStream stream(long[] array)
3. public static DoubleStream stream(double[] array)

案例:

Integer[] num = new Integer[23];
Stream<Integer> stream1 = Arrays.stream(num);

3.3 第三种方式:由值创建流

可以使用静态方法 Stream.of(), 通过显示值 创建一个流。它可以接收任意数量的参数。
public static< T> Stream< T> of(T… values) : 返回一个流

案例:

Stream<Integer> stream2 = Stream.of(1, 5, 7);

3.4 第四种方式:由函数创建流,创建无限流。

可以使用静态方法 Stream.iterate() 和 Stream.generate(), 创建无限流。
1. 迭代:public static< T> Stream< T> iterate(final T seed, final UnaryOperator< T> f)
2. 生成:public static< T> Stream< T> generate(Supplier< T> s)

案例:

// 迭代
Stream<Integer> stream3 = Stream.iterate(0, (x) -> x + 2).limit(2); stream3.forEach(System.out::println); System.out.println("-------------"); // 生成 Stream<Double> stream4 = Stream.generate(Math::random).limit(4); stream4.forEach(System.out::println);

执行结果:

0
2 -------------
0.8009341328264229
0.3393727316726045
0.16402941830797657
0.18983964153830712

四、Stream的中间操作

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的处理! 而在终止操作时一次性全部处理,称为“惰性求值”。

4.1 筛选与切片

方法 描述
filter(Predicate p) 接收 Lambda , 从流中排除某些元素。
distinct() 筛选,通过流所生成元素的 hashCode() 和 equals() 去 除重复元素
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:

1.内部迭代 – 迭代操作由Stream API 完成操作

@Test
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}

2.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}

3.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} 

4.中间操作 – 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} 

5.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}

4.2 映射

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:
1.map操作

 @Test
 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

2.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

4.3 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

五、 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 。

5.1 查找与匹配

方法 描述
allMatch(Predicate p) 检查是否匹配所有元素
anyMatch(Predicate p) 检查是否至少匹配一个元素
noneMatch(Predicate p) 检查是否没有匹配所有元素
findFirst() 返回第一个元素
findAny() 返回当前流中的任意元素
count() 返回流中元素总数
max(Comparator c) 返回流中最大值
min(Comparator c) 返回流中最小值
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)

案例:
1.匹配

@Test
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

2.第一个元素 、 任意一个元素

 @Test
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}

3.统计总个数、 最大、 最小值

// 注意: 流一旦执行终止操作后, 就不能在重复使用
@Test
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}

5.2 归约

备注: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。

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:
1.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

2.计算次数

@Test
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

5.3 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:
1.收集

@Test
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

2.收集统计

// 收集统计
 @Test
 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--

3.收集-分组

// 分组
@Test
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}]}

4.收集-多级分组

// 多级分组
@Test
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:

方法 返回类型 作用
toList List<T> 把流中元素收集到List
List<Employee> emps= list.stream().collect(Collectors.toList());
toSet Set<T> 把流中元素收集到Set
Set<Employee> emps= list.stream().collect(Collectors.toSet());
toCollection Collection<T> 把流中元素收集到创建的集合
Collection<Employee>emps=list.stream().collect(Collectors.toCollection(ArrayList::new));
counting Long 计算流中元素的个数
long count = list.stream().collect(Collectors.counting());
summingInt Integer 对流中元素的整数属性求和
inttotal=list.stream().collect(Collectors.summingInt(Employee::getSalary));
averagingInt Double 计算流中元素Integer属性的平均 值
doubleavg= list.stream().collect(Collectors.averagingInt(Employee::getSalary));
summarizingInt IntSummaryStatistics 收集流中Integer属性的统计值。 如:平均值
IntSummaryStatisticsiss= list.stream().collect(Collectors.summarizingInt(Employee::getSalary));
joining String 连接流中每个字符串
String str= list.stream().map(Employee::getName).collect(Collectors.joining());
maxBy Optional<T> 根据比较器选择最大值
Optional<Emp>max= list.stream().collect(Collectors.maxBy(comparingInt(Employee::getSalary)));
minBy Optional<T> 根据比较器选择最小值
Optional<Emp> min = list.stream().collect(Collectors.minBy(comparingInt(Employee::getSalary)));
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
inttotal=list.stream().collect(Collectors.reducing(0, Employee::getSalar, Integer::sum));
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
inthow= list.stream().collect(Collectors.collectingAndThen(Collectors.toList(), List::size));
groupingBy Map<K, List<T>> 根据某属性值对流分组,属 性为K,结果为V
Map<Emp.Status, List<Emp>> map= list.stream() .collect(Collectors.groupingBy(Employee::getStatus));
partitioningBy Map<Boolean, List<T>> 根据true或false进行分区
Map<Boolean,List<Emp>>vd= list.stream().collect(Collectors.partitioningBy(Employee::getManage));

相关源码地址:https://github.com/liudongdong0909/java8/tree/master/java8-Lambda/src/com/donggua

以上就是全文的内容,由于水平有限,文章中难免会有错误,希望大家指正。谢谢~


版权声明:本文转自网络文章,转载此文章仅为分享知识,如有侵权,请联系管理员进行删除。
喜欢 (0)