你还在用迭代器处理集合吗?试试Stream,真香!

简介: 首先给大家看一段代码,让大家直观感受下 Java7 和 Java8 遍历处理集合的不同Dish 是一个菜肴对象,calories 属性表示该菜品的卡路里值,name 则是菜品的名称。我们需要过滤出卡路里小于400、然后根据卡路里值升序、接着拿到他们的名称列表并返回

首先给大家看一段代码,让大家直观感受下 Java7 和 Java8 遍历处理集合的不同


Dish 是一个菜肴对象,calories 属性表示该菜品的卡路里值,name 则是菜品的名称。我们需要过滤出卡路里小于400、然后根据卡路里值升序、接着拿到他们的名称列表并返回


Java7

public static List<String> getLowCaloricDishesNamesInJava7(List<Dish> dishes){  
    List<Dish> lowCaloricDishes = new ArrayList<>();  
    for(Dish d: dishes){  
        if(d.getCalories() < 400){  
            lowCaloricDishes.add(d);  
        }  
    }  
    List<String> lowCaloricDishesName = new ArrayList<>();  
    Collections.sort(lowCaloricDishes, new Comparator<Dish>() {  
        public int compare(Dish d1, Dish d2){  
            return Integer.compare(d1.getCalories(), d2.getCalories());  
        }  
    });  
    for(Dish d: lowCaloricDishes){  
        lowCaloricDishesName.add(d.getName());  
    }  
    return lowCaloricDishesName;  
}  

Java8

public static List<String> getLowCaloricDishesNamesInJava8(List<Dish> dishes){  
    return dishes.stream()  
        .filter(d -> d.getCalories() < 400)  
        .sorted(comparing(Dish::getCalories))  
        .map(Dish::getName)  
        .collect(toList());  
}  

如果需要多核并行处理,则只需调用 dishes.parallelStream() 即可


在 Java8 之前,程序员需要通过 2次遍历 + 一次集合排序才能完成的工作,Java8 只需要一个链式调用就可以解决。这就是 Stream 的强大之处


image.png


认识流

流是什么

流是 Java API 的新成员,允许程序员以声明式的方式处理集合数据,并且支持链式调用、支持并行处理。用流处理的集合数据高效且易读。Stream 的 10 种创建方式,这篇推荐你看下。更多Java8新特性教程关注公众号Java技术栈回复Java获取。


流与集合的异同

集合的主要功能是以一定的时间和空间复杂度存储和访问元素,而流主要是用于元素计算


集合中的元素可以随意添加和删除,而流不能添加和删除元素


流的元素是按需计算的,只有当用到时他才会参与计算,而集合中的元素必须提前全都准备好


流只能遍历一次,下面的代码会报错 java.lang.IllegalStateException: stream has already been operated upon or closed 流已经被消费掉

List<String> names = Arrays.asList("Java8", "Lambdas", "In", "Action");  
Stream<String> s = names.stream();  
s.forEach(System.out::println);  
s.forEach(System.out::println);  

集合采用外部迭代,流采用内部迭代。内部迭代意味着 Java 可以替你选择更优的迭代策略和并行处理。而外部迭代如果程序员想着做个更有的迭代/采用并行就相当于“下次一定”😅了

流操作分类

对流的操作可以分为两类,可以继续执行下一个流操作的称为中间操作(方法的返回值是 Stream),关闭流的操作称为终止操作。


中间操作

除非流水线上执行终端操作,否则中间操作不会执行任何处理。流会对中间操作进行合并、短路等优化


终端操作

终端操作会从流的流水线生成结果,返回一个非 stream 的任意类型值


使用流

筛选和切片

筛选

filter(Predicate predicate) 方法可以将流中满足某条件的元素筛选出来。该方法接收一个谓词函数,返回流。比如要选出某个苹果集合中红色的苹果

List<Apple> appleList = new ArrayList<>();  
List<Apple> redAppleList = appleList.stream().filter(a -> "red".equals(a.getColor())).collect(Collectors.toList());  

去重

distinct() 方法会根据元素的 hashCode() 和 equals() 方法对流中元素进行去重操作


截断

limit(n) 方法会返回流的前 n 个元素,对于有序集合List,流会按照添加顺序返回前 n 个元素,而无序集合则不会


跳过

skip(n) 方法会跳过流的前 n 个元素,可以通过 skip(m).limit(n) 返回列表中第 m - (m+n) 区间的元素,类似与 mysql 中的 limit m,n


映射

对流中的每个元素应用函数

map(Function mapper) 方法。该方法接收一个 Function 函数,对流中的每一个元素使用。然后可以返回任意类型的对象。有了该方法,就可以结合 Lambda 表达式对集合中的元素使用函数进行各种转换


流的扁平化

flatMap() 可以将流操作中多个流合并成一个流的多个元素。


举个例子:集合 words 有两个单词,现在想获得[H, e, l, o, W, r, d] 在 split 方法执行完毕后,返回的是 Stream(String[]) 对象,而此时如果执行 map 方法,返回的就是多个流的集合(这个例子中就是两个 Stream(String)),这时是无法继续接下来的 distinct 操作的,因此需要 flatMap 将两个 Stream扁平化成一个 Stream,然后进行操作

List<String> words = Arrays.asList("Hello", "World");  
List<String> charList = words.stream().map(word -> word.split("")).flatMap(Arrays::stream).distinct().collect(Collectors.toList());  

该方法的方法声明 flatMap(Function> mapper) 中可以看出,他所使用的函数式接口 Function 第二个泛型 R 必须是 Stream流。即函数式接口的抽象方法返回值必须是 Stream流及其子类对象。


查找和匹配

检查谓词是否至少匹配一个元素

anyMatch 方法可以回答“流中是否存在至少一个复合谓词条件的元素”返回 boolean 类型的值,因此是一个终端操作,例如

List<Integer> num = Arrays.asList(1, 2, 3, 4, 5, 6);  
if (num.stream().anyMatch(n -> n % 3 == 0)) {  
    System.out.println("集合中有元素是3的整数倍");  
}  

控制台会输出'集合中有元素是3的整数倍',因为集合中 3、6都是3的整数倍,符合谓词的条件。


检查谓词是否匹配所有元素

allMatch 方法和 anyMatch 方法原理类似,但是它仅当所有元素满足谓词条件时,返回 true。


noneMatch 与 allMatch 正好相反,仅当所有元素不满足谓词条件时,返回 true


ps:和 && || 运算符类似,以上三个操作都用到了短路的思想来提高效率。


查找元素

findAny() 该方法返回当前流中的任意元素,可以和其他流操作结合使用,这里需要注意 findAny() 返回的结果被 Optional 所包裹,Optional是 Java8 为优雅的避免 NPE 所采用的新 API,这里需要说明的就是 Optional.ifPresent(Consumer consumer) 表示当 Optional 包裹的元素不为空时,执行 consumer

num.stream().filter(n -> n > 2).findAny().ifPresent(System.out::println);  

findFirst() 该方法返回当前流中的第一个元素,一般也和其他流操作(例如 filter() 过滤)结合使用。与 findAny() 不同的是,他一定返回有序集合的第一个满足条件的元素。当然有得必有失,作为代价,findFirst() 在并行处理时限制更多一些。


归约

元素求和

reduce(T identity, BinaryOperator accumulator); 方法接收两个参数:identity 初始值,accumulator 对两个数的操作。例如求集合中数字的和:

num.stream().reduce(0, (a, b) -> a + b) // 计算完成,返回 21  

ps:Lambda 表达式 (a, b) -> a + b) 中 a 是上一轮执行完后的累计值,b 是本次循环流中的元素。通过累加就可以计算出数字的和。更多Java8新特性教程关注公众号Java技术栈回复Java获取。


最大值和最小值

reduce 方法不仅可以求和、求积。甚至可以计算最大值、最小值。

num.stream().reduce(Integer::max);  
num.stream().reduce(Integer::min);  

总结

流是 Java API 的新成员,允许程序员以声明式的方式处理集合数据,并且支持链式调用、支持并行处理。用流处理的集合数据高效且易读。


流的API中可以分为两大类,中间操作和终端操作,中间操作返回流对象,可以链式调用,终端操作则返回非流对象。


流提供了很多方便的API,如筛选 filter、去重 distinct、截断 limit、跳过 skip、函数转换 map、扁平化 flatMap、判断流中是否有任意元素符合要求 anyMatch、是否所有元素都符合要求 allMatch、是否所有元素都不符合要求 noneMatch、查找元素 findAny findFirst、累计式的计算元素 reduce


相关文章
|
Web App开发 自然语言处理 监控
基于 WebAssembly 的AIoT应用框架实践
天猫精灵大前端团队基于 WebAssembly 的AIoT应用框架实践分享。
基于 WebAssembly 的AIoT应用框架实践
|
3月前
|
索引 Python
三个让你代码更优雅的Python技巧
三个让你代码更优雅的Python技巧
316 141
|
3月前
|
大数据 PHP 开发者
PHP 开发中你可能忽略的 4 个实用技巧
PHP 开发中你可能忽略的 4 个实用技巧
236 139
|
3月前
|
人工智能 运维 Cloud Native
深大智能:基于阿里云 MSE 实现云原生高可用微服务架构,释放运维人力拥抱 AI 时代
深大智能全面拥抱阿里云,通过微服务引擎 MSE 构建新一代云原生微服务体系,重点解决四大痛点。
629 42
|
3月前
|
SQL 消息中间件 存储
阿里云 EventHouse 正式公测!连接企业数据与 AI Agent,释放实时数据价值
统一接入、沉淀并治理多源异构数据,支持自然语言对话分析,加速业务数据转化为可执行洞察。
429 36
|
29天前
|
人工智能 API 网络安全
告别按量计费焦虑:阿里云百炼Token Plan团队版使用、省钱技巧与OpenClaw/Hermes Agent配置指南
2026年,AI大模型已深度融入企业研发、内容创作、智能体开发等全场景,团队与个人开发者对大模型服务的核心诉求愈发清晰:预算可控、调用稳定、多模型兼容、数据安全、易于管理。阿里云百炼平台推出的Token Plan团队版,正是为解决这些痛点而生的订阅式服务。它以Credits统一计量为核心,打通文本、图像、多模态全品类模型,兼容OpenClaw、Hermes Agent等主流AI工具,提供三档包月坐席、团队权限管理、高峰期不降速、数据不用于训练等企业级能力,让用户在固定预算内高效、稳定使用AI大模型,彻底告别按量计费的账单焦虑与传统套餐的功能局限。
486 0
|
3月前
|
人工智能 弹性计算 小程序
OpenClaw怎么部署?阿里云三种一键部署方案详解
OpenClaw(原Clawdbot/Moltbot)是开源AI智能体,突破问答局限,可直接操控本地设备,执行文件处理、代码编写、浏览器自动化等任务。阿里云提供轻量服务器、计算巢、无影云电脑三种一键部署方案,适配个人、企业与技术用户,零代码快速启用专属AI助理。
500 1
|
3月前
|
机器学习/深度学习 人工智能 物联网
刷屏背后的 AI画图:80% 可以被替代,剩下 20% 才是核心价值
刷屏背后的 AI画图:80% 可以被替代,剩下 20% 才是核心价值
|
3月前
|
人工智能 缓存 固态存储
投机解码原理详解:小模型打草稿,大模型一次验证
生产环境中,推理成本远超训练——自回归解码受制于内存带宽墙,70B模型在H100上每token需700亿次计算。投机解码(2026年已成标配)用小模型“猜词+大模型并行验证”,严格保质提速2–2.5倍;SSD更进一步,复用大模型浅层自生成草稿、构建回滚树,接受率提升、显存零新增。vLLM已原生支持,开箱即用。
515 2
投机解码原理详解:小模型打草稿,大模型一次验证
|
3月前
|
存储 监控 算法
大模型应用:算力分层治理:基于大模型算力四层匹配体系的优化方案.72
本文剖析大模型算力困局,指出“加卡低效”的根源在于忽视计算、访存、调度三层算力的协同失衡。提出四层匹配体系(计算/存储/通信/业务层),通过精度适配、显存优化、通信算法选择及场景化调度等实操方法,实现算力精准治理,让硬件投入真正转化为落地效率。
369 9