Java 8 函数式编程风格
Java 迄今为止最令人激动的特征。这些新的语言特征允许采用函数式风格来进行编码，我们可以用这些特性完成许多有趣的功能。这些特性如此有趣以至于被认为是不合理的.他们说会影响计算速度,但是虽然是真的,但是存在皆合理.
所以我们摒弃缺点,研究优点.
演练
今天的新闻联播播出的主要内容有:list转map,list使用lambda求和,等聚合运算,映射分类,分组,排序,归约等算法示例 你们就静鸡鸡的看吧
------还演练了parallelStream并行流 [林凌你个鸭蛋 要是进来不点赞我就....]
package test; /**
* @Title: Dog.java
* @Description: Stream的演练
* @author LiJing
* @date 2018/12/3 14:13
* @version 1.0.0
* @implNote stream的特性 我们首先列出stream的如下三点特性，在之后我们会对照着详细说明
* 1.stream不存储数据
* 2.stream不改变源数据
* 3.stream的延迟执行特性
* 通常我们在数组或集合的基础上创建stream，stream不会专门存储数据，对stream的操作也不会影响到创建它的数组和集合,
* 对于stream的聚合、消费或收集操作只能进行一次，再次操作会报错
*/ import com.google.common.collect.Lists;
import lombok.AllArgsConstructor;
import lombok.Data;
import lombok.NoArgsConstructor; import java.text.Collator;
import java.util.*;
import java.util.function.Function;
import java.util.stream.Collectors;
import java.util.stream.Stream; @Data
@NoArgsConstructor
@AllArgsConstructor
public class Dog {
private Long id;//编号
private String name;//名字
private Integer age;//年龄
private String team;//分队 public static void main(String[] args) {
List<Dog> list = Lists.newArrayList();
list.add(new Dog(5L, "林凌", 2, "M"));
list.add(new Dog(1L, "豆豆", 5, "F"));
list.add(new Dog(2L, "苗苗", 3, "a"));
list.add(new Dog(4L, "糖糖", 3, "A"));
list.add(new Dog(6L, "文文", 3, "G"));
list.add(new Dog(3L, "晴晴", 4, "g")); //提取组别号 转换大写 这里可以看到 一个 Stream 只可以使用一次 map映射有很多方法
List<String> teamList = list.stream().map(Dog::getTeam).collect(Collectors.toList());
List<String> listCase = teamList.stream().map(String::toUpperCase).collect(Collectors.toList()); /**list操作*/
//1.获取年龄最大/最小的狗
Dog dog2MaxAge = list.stream().max((d1, d2) -> d1.getAge().compareTo(d2.getAge())).orElse(new Dog());
Dog dog1MaxAge = list.stream().min(Comparator.comparing(Dog::getAge)).get(); //2.静态方法 单一操作时候可以简化为如下:
list.stream().forEach(x -> System.out.println(x));
list.forEach(System.out::println); //3.排序 根据年龄排序 默认升序
List<Dog> sorted1AgeList = list.stream().sorted(Comparator.comparing(Dog::getAge)).collect(Collectors.toList());
//同等按照id再来排序,混合排序 复合排序
List<Dog> sorted2AgeList = list.stream().sorted(Comparator.comparing(Dog::getAge).thenComparing(Dog::getId)).collect(Collectors.toList());
//降序排列
List<Dog> sorted3AgeList = list.stream().sorted((o1, o2) -> o2.getAge() - o1.getAge()).collect(Collectors.toList());
//反转 倒序,逆序处理
List<Dog> sorted4AgeList = list.stream().sorted(Comparator.comparing(Dog::getAge).reversed()).collect(Collectors.toList()); //4.根据组队号 自然排序
List<Dog> sortedTeamList = list.stream().sorted(Comparator.comparing(Dog::getTeam)).collect(Collectors.toList());
//5.根据名字的字母 Collator 类执行区分语言环境的 String 比较
List<Dog> sortedNameList = list.stream().sorted((o1, o2) -> Collator.getInstance(Locale.CHINESE).compare(o1.getName(), o2.getName())).collect(Collectors.toList());
//6.去重 去掉重复的结果
List<Dog> distinctList = list.stream().distinct().collect(Collectors.toList());
//7.截取 截取流的前N个元素
List<Dog> limitList = list.stream().limit(3).collect(Collectors.toList());
//8.跳过流的前n个元素
List<Dog> skipList = list.stream().skip(4).collect(Collectors.toList());
//9.将小流合并成一个大流
List<String> listLine = new ArrayList<String>();
listLine.add("I am a boy");
listLine.add("I love the girl");
listLine.add("But the girl loves another girl"); //按空格分词 分完词之后，每个元素变成了一个String[]数组
Stream<String[]> stream = listLine.stream().map(line -> line.split(" "));
//将每个String[]变成流
Stream<Stream<String>> streamStream = listLine.stream().map(line -> line.split(" ")).map(Arrays::stream);
//此时一个大流里面包含了一个个小流，我们需要将这些小流合并成一个流
Stream<String> stringStream = listLine.stream().map(line -> line.split(" ")).flatMap(Arrays::stream); //找出id>3的 按照年龄排序 输出他们的名字
List<String> studentList = list.stream()
.filter(x -> x.getId() > 3)
.sorted(Comparator.comparing(Dog::getAge).reversed())
.map(Dog::getName)
.collect(Collectors.toList());
System.out.println(studentList); /**map操作*/
//1.转为Map 以编号:key 以名字为value 用::,和x->都可以 推荐::
Map<Long, String> map1 = list.stream().collect(Collectors.toMap(Dog::getId, x -> x.getName())); //2.转为Map 以编号:key 以对象自身为value 用x->x,和Function.identity() 推荐::Function.identity()
Map<Long, Dog> map2 = list.stream().collect(Collectors.toMap(Dog::getId, x -> x));
Map<Long, Dog> map3 = list.stream().collect(Collectors.toMap(Dog::getId, Function.identity())); //3.重复key的情况,这时候流的处理会抛出个异常：Java.lang.IllegalStateException:Duplicate key。
//这时候就要在toMap方法中指定当key冲突时key的选择。(这里是选择第二个key覆盖第一个key)
Map<Long, Dog> map4 = list.stream().collect(Collectors.toMap(Dog::getId, Function.identity(), (oldKey, newKey) -> newKey)); //4.根据 年龄or组队 分组用groupingBy 可以分组成多个列表
Map<Integer, List<Dog>> map5 = list.stream().collect(Collectors.groupingBy(Dog::getAge));
Map<String, List<Dog>> map6 = list.stream().collect(Collectors.groupingBy(Dog::getName)); //5.partitioningBy可以理解为特殊的groupingBy，key值为true和false，当然此时方法中的参数为一个判断语句（用于判断的函数式接口）
Map<Boolean, List<Dog>> map7 = list.stream().collect(Collectors.partitioningBy(o -> o.getAge() < 3)); //遍历小map
map6.forEach((k, v) -> System.out.println(k + v)); //归约 获取年龄最大的狗狗
Dog dog = list.stream().reduce((p1, p2) -> {
System.out.println("p1===" + p1);
System.out.println("p2===" + p2);
return p1.getAge() > p2.getAge() ? p1 : p2;
}).get();
System.out.println(dog); //归约 求和 计算所有狗狗的年龄总和
//reduce的第一个参数表示初试值为0；
//求和 那么可以使用Integer提供了sum函数代替自定义的Lambda表达式
int age2Total = list.stream().mapToInt(Dog::getAge).reduce(0, Integer::sum); /**聚合运算*/
//求和
long sum = list.stream().mapToLong(Dog::getId).sum();
//均值
double average = list.stream().mapToInt(Dog::getAge).average().getAsDouble();
//统计
long count = list.stream().count();
long count1 = list.stream().map(Dog::getId).count();
long count2 = list.stream().mapToInt(Dog::getAge).count(); /**匹配:*/
//如果流为空，则返回false并且不评估谓词 ==>检查所有的名字是否是以 '文'结尾的 显然不是 [少一个都不行,全检性] 看电影去:<一个都不能少>
boolean b1 = list.stream().allMatch(x -> x.getName().endsWith("文"));//false
//如果流为空，则返回false并且不评估谓词 ==>检查是否有在A组的小狗 [存在性]
boolean b2 = list.stream().anyMatch(x -> "A".compareToIgnoreCase(x.getTeam()) < 0);//true
//如果流为空，则返回false并且不评估谓词 ==>检查是否有任意小狗 年龄大于3岁 [存在性]
boolean b3 = list.stream().anyMatch(x -> x.getAge() < 3);//true
// list = Collections.EMPTY_LIST;
//如果流为空，则返回true并且不评估谓词 ==> allMatch相反,检查有么狗的年龄大于100岁的 [有一个都不行,全检性]
boolean b4 = list.stream().noneMatch(x -> x.getAge() > 100);//true //findAny list即stream是有顺序的 findAny能够从流中随便选一个元素出来
Optional<Dog> optionalDog = list.stream().findAny();//isPresent表示是否存在
System.out.println(optionalDog.isPresent()); //再看 其实就是 b6就是b7
boolean b6 = list.stream().filter(x -> x.getAge() < 3).findAny().isPresent();//true
//过滤
List<Dog> filterList1 = list.stream().filter(x -> x.getAge() < 3).collect(Collectors.toList());
boolean b7 = list.stream().anyMatch(x -> x.getAge() < 3);//true 返回在流遍历过程是否遇到过的年龄大于3的狗 //与guava的getFirst方法类似，Stream.findFirst将返回给定流的第一个元素，如果流为空，则返回空Optional。如果流没有遭遇顺序，则可以返回任何元素
Optional<Dog> first = list.stream().findFirst(); /**
* parallelStream是什么
* parallelStream其实就是一个并行执行的流.它通过默认的ForkJoinPool,可能提高你的多线程任务的速度.
* Stream具有平行处理能力，处理的过程会分而治之，也就是将一个大任务切分成多个小任务，这表示每个任务都是一个操作，因此像以下的程式片段
*
* 而可能是任意的顺序，就forEach()这个操作來讲，如果平行处理时，希望最后顺序是按照原来Stream的数据顺序，那可以调用forEachOrdered()
* 如果forEachOrdered()中间有其他如filter()的中介操作，会试着平行化处理，然后最终forEachOrdered()会以原数据顺序处理，
* 因此，使用forEachOrdered()这类的有序处理,可能会（或完全失去）失去平行化的一些优势，实际上中介操作亦有可能如此，例如sorted()方法
*
* parallelStream背后的男人:ForkJoinPool
* ForkJoinPool主要用来使用分治法(Divide-and-Conquer Algorithm)来解决问题
* 那么使用ThreadPoolExecutor或者ForkJoinPool，会有什么性能的差异呢？
* 首先，使用ForkJoinPool能够使用数量有限的线程来完成非常多的具有父子关系的任务，比如使用4个线程来完成超过200万个任务。
* 但是，使用ThreadPoolExecutor时，是不可能完成的，因为ThreadPoolExecutor中的Thread无法选择优先执行子任务，
* 需要完成200万个具有父子关系的任务时，也需要200万个线程，显然这是不可行的。
* */
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9);
numbers.parallelStream().forEach(System.out::print);
System.out.println("numbers.parallelStream()和numbers.stream().parallel()貌似一样");
numbers.stream().parallel().forEach(System.out::print);
System.out.println("numbers.parallelStream()和numbers.stream().parallel()貌似一样");
numbers.stream().parallel().forEachOrdered(System.out::print);
System.out.println(); Optional<Dog> any = list.parallelStream().findAny();
System.out.println(any.isPresent()); //并行流 此时的findAny哪一个都有可能返回
Optional<Dog> any1 = list.stream().parallel().findAny();
System.out.println(any1); //生成一亿条0-100之间的记录
//感受:可见，对于串行流.distinct().sorted()方法对于运行时间没有影响，
// 但是对于串行流，会使得运行时间大大增加，因此对于包含sorted、distinct()等与全局数据相关的操作，不推荐使用并行流。
Random random = new Random();
List<Integer> integerList = Stream.generate(() -> random.nextInt(100)).limit(100000000).collect(Collectors.toList());
long begin1 = System.currentTimeMillis();
integerList.stream().filter(x -> (x > 10)).filter(x -> x < 80).count();
long end1 = System.currentTimeMillis();
System.out.println(end1 - begin1);
integerList.stream().parallel().filter(x -> (x > 10)).filter(x -> x < 80).count();
long end2 = System.currentTimeMillis();
System.out.println(end2 - end1); long begin1_ = System.currentTimeMillis();
integerList.stream().filter(x -> (x > 10)).filter(x -> x < 80).distinct().sorted().count();
long end1_ = System.currentTimeMillis();
System.out.println(end1 - begin1);
integerList.stream().parallel().filter(x -> (x > 10)).filter(x -> x < 80).distinct().sorted().count();
long end2_ = System.currentTimeMillis();
System.out.println(end2_ - end1_); //调用peek方法来瞧瞧并行流和串行流的执行顺序，peek方法顾名思义，就是偷窥流内的数据，
// peek方法声明为Stream<T> peek(Consumer<? super T> action);加入打印程序可以观察到通过流内数据，见如下代码 new Dog().peek();//串行流 线程:main:->peek2->7
new Dog().testPeekPal();//并行流 线程:ForkJoinPool.commonPool-worker-1:->peek1->4 /**总结:
*我们将stream.filter(x -> x > 5).filter(x -> x < 8).forEach(System.out::println)的过程想象成 如图-1 的管道，我们在管道上加入的peek相当于一个阀门，透过这个阀门查看流经的数据，
*1）当我们使用顺序流时，数据按照源数据的顺序依次通过管道，当一个数据被filter过滤，或者经过整个管道而输出后，第二个数据才会开始重复这一过程
*2）当我们使用并行流时，系统除了主线程外启动了七个线程（我的电脑是4核八线程）来执行处理任务，因此执行是无序的，但同一个线程内处理的数据是按顺序进行的。
* */
} public void peek() {
//生成1-10的int 流
Stream<Integer> integerStream = Stream.iterate(1, x -> x + 1).limit(10);
integerStream.peek(this::peek1).filter(x -> x > 5)
.peek(this::peek2).filter(x -> x < 8)
.peek(this::peek3)
.forEach(System.out::println);
} public void testPeekPal() {
Stream<Integer> stream = Stream.iterate(1, x -> x + 1).limit(10).parallel();
stream.peek(this::peek1).filter(x -> x > 5)
.peek(this::peek2).filter(x -> x < 8)
.peek(this::peek3)
.forEach(System.out::println);
} public void peek1(int x) {
System.out.println(Thread.currentThread().getName() + ":->peek1->" + x);
} public void peek2(int x) {
System.out.println(Thread.currentThread().getName() + ":->peek2->" + x);
} public void peek3(int x) {
System.out.println(Thread.currentThread().getName() + ":->final result->" + x);
} }
图1--如上
图2--如下
Collectors 类的静态工厂方法:
| 工厂方法 | 返回类型 | 作用 |
|---|---|---|
| toList | List<T> |
把流中所有项目收集到一个 List |
| toSet | Set<T> |
把流中所有项目收集到一个 Set，删除重复项 |
| toCollection | Collection<T> |
把流中所有项目收集到给定的供应源创建的集合menuStream.collect(toCollection(), ArrayList::new) |
| counting | Long | 计算流中元素的个数 |
| sumInt | Integer | 对流中项目的一个整数属性求和 |
| averagingInt | Double | 计算流中项目 Integer 属性的平均值 |
| summarizingInt | IntSummaryStatistics | 收集关于流中项目 Integer 属性的统计值，例如最大、最小、 总和与平均值 |
| joining | String | 连接对流中每个项目调用 toString 方法所生成的字符串collect(joining(", ")) |
| maxBy | Optional<T> |
一个包裹了流中按照给定比较器选出的最大元素的 Optional， 或如果流为空则为 Optional.empty() |
| minBy | Optional<T> |
一个包裹了流中按照给定比较器选出的最小元素的 Optional， 或如果流为空则为 Optional.empty() |
| reducing | 归约操作产生的类型 | 从一个作为累加器的初始值开始，利用 BinaryOperator 与流 中的元素逐个结合，从而将流归约为单个值累加int totalCalories = menuStream.collect(reducing(0, Dish::getCalories, Integer::sum)); |
| collectingAndThen | 转换函数返回的类型 | 包裹另一个收集器，对其结果应用转换函数int howManyDishes = menuStream.collect(collectingAndThen(toList(), List::size)) |
| groupingBy | Map<K, List<T>> |
根据项目的一个属性的值对流中的项目作问组，并将属性值作 为结果 Map 的键 |
| partitioningBy | Map<Boolean,List<T>> |
根据对流中每个项目应用谓词的结果来对项目进行分区 |
List<Matchs> matchsList = new ArrayList(); Map<String,List<Matchs>> MatchsListMap=matchsList.stream()
.collect(Collectors.groupingBy(Matchs::getMatchDate));
此时MatchsListMap的排序规则是根据MatchDate降序的(默认),也就是说map中0下标的key是最大的MatchDate值,那么如果需要根据MatchDate升序该怎么办呢?
TreeMap<String, List<Matchs>> matchsListMap = matchsList.stream()
.collect(Collectors.groupingBy(Matchs::getMatchDate,TreeMap::new,Collectors.toList()));
此时返回的为TreeMap类型数据,TreeMap默认为按照key升序,descendingMap()降序输出
