Stream组成
在传统Java编程，或者说是类C语言编程中，我们如何操作一个数组数据呢？或者更泛化的讲，我们如何操作一个“集合”（Collection）数据呢？在Java中我们利用java.util包里的各种数据结构封装，来很好的表示了数组（Array）、集合（Set）、列表（List）和kv对象（Map）。但是抽象表示只是意味着存储和定义操作方法，具体如何访问中间的数据，其实还是比较原始的，或者换句话说，操作一个Collection的数据，我们使用的是Collection本身提供的API。就如我们访问一个List里的所有数据，需要一个for循环来get每个element。
Java 8引入了一个Stream对象，来重新封装集合中的数据，就像集合根据其特定的数据结构存储了数据，而Stream将其表示为一个数据流，一个类似List的有序的数据流。值得一提的是，Stream是不存储数据的，它核心是要将不同的数据——流化。
Stream包含一个数据源头（Source），一组（0个或多个）中间操作和一个终止操作。其实很好理解，一个流一定需要一个数据源头，毕竟要确定是哪些数据要流式处理。中间操作是一些类似map、filter之类的转换操作，也就是说map和filter只是将一个流变为新的流，它们可以串起来（stream pipeline）。而终止操作顾名思义，终止操作会结束流，终止操作包括产出结果型和边际效果型（side-effect），其中前者比如count之类的产出一个int值的，后者则是forEach之类的允许后续处理的。下面具体分开讲解一下Stream的各个组成部分。
源头（Source）
其中源头来源于数组、Collection、I/O资源和生成函数。
Arrays
通过一个数组生成一个流，是比较容易理解的。Java API也是通过Arrays.stream()方法来实现的：
public static <T> Stream<T> stream(T[] array, int startInclusive, int endExclusive) {
return StreamSupport.stream(spliterator(array, startInclusive, endExclusive), false);
}看其声明就是将一个数组转换为一个Stream对象。其委托StreamSupport来构造，而StreamSupport的stream方法声明如下：
public static <T> Stream<T> stream(Spliterator<T> spliterator, boolean parallel) {
Objects.requireNonNull(spliterator);
return new ReferencePipeline.Head<>(spliterator,
StreamOpFlag.fromCharacteristics(spliterator),
parallel);
}这里一个很重要的参数是Spliterator，这是构造流的核心。ReferencePipeline.Head构造方法就是将一些属性设置好。而ReferencePipeline是个重要的概念，它是pipeline里对于中间操作和源头实现的抽象类，从其类声明中可以看出：
abstract class ReferencePipeline<P_IN, P_OUT>
extends AbstractPipeline<P_IN, P_OUT, Stream<P_OUT>>
implements Stream<P_OUT> {
}两个泛型表示了pipeline的输入和输出。中间操作的实现很多也是由其实现的，比如map和filter。回到刚才的分析，因为ReferencePipeline构造后没有后续的方法链调用了。所以要理解的就是Spliterator这个东西是什么。
Spliterator
Spliterator是java.util包下的一个接口，抽象的能力就是对于一个源头的遍历（traverse）和分区（partition）的能力。也就是说，通过Spliterator来遍历数据流源头的每个元素（或者一个bulk的批量），也通过它来分区数据将其parallel并行化。看它的名字嘛，split+iterator，就是这个意思。
Spliterator声明了几个方法，其中tryAdvance()方法是单个遍历的能力抽象，forEachRemaining()方法是批量遍历的抽象，而trySplit是分区的抽象。这时回去看刚才StreamSupport.stream的参数，其中的Spliterator方法在Arrays类的声明如下：
public static <T> Spliterator<T> spliterator(T[] array, int startInclusive, int endExclusive) {
return Spliterators.spliterator(array, startInclusive, endExclusive,
Spliterator.ORDERED | Spliterator.IMMUTABLE);
}其调用Spliterators静态方法来构造Spliterator，里面的一些ORDERED和IMMUTABLE的常量声明，就是Spliterator的另一部分能力表达——流结构或者源头数据的特征，是有序的还是不可变的？是DISTINCT的还是不可空的？非常多的特性组合。具体到Arrays的调用依赖，Spliterators静态类的实现如下：
public static <T> Spliterator<T> spliterator(Object[] array, int fromIndex, int toIndex,
int additionalCharacteristics) {
checkFromToBounds(Objects.requireNonNull(array).length, fromIndex, toIndex);
return new ArraySpliterator<>(array, fromIndex, toIndex, additionalCharacteristics);
}可以看到，返回了一个ArraySpliterator，它实现了针对数组类型数据源头的几个刚才提到的相关方法（tryAdvace和trySplit等）。具体我就不贴代码了，到这个层面大家可以自行关注。
因为我们理解一个流，或者理解一个构造流的过程，其实需要的就是一个Spliterator（我个人很佩服设计者的这种抽象能力），像个schema。
Collection
通过Collection生成流，就能像数组那样静态了，因为Collection是一个接口，标识了一大堆数据结构（Map、List、Set等）。Collection做的比较好的是，流的构建在接口层面完成设计，没有沉到实际的类结构中（全靠Java 8的接口default能力啊）。我们具体看下Collection的构造。
default Stream<E> stream() {
return StreamSupport.stream(spliterator(), false);
}其同样委托了StreamSupport。通过上面Arrays的分析，我们已经知道了流的构造核心就是Spliterator（第二遍讲了）。所以直接看Spliterator()方法。
default Spliterator<E> spliterator() {
return Spliterators.spliterator(this, 0);
}也是利用Spliterators的静态方法，只不过传递了Collection自己做参数。
public static <T> Spliterator<T> spliterator(Collection<? extends T> c, int characteristics) {
return new IteratorSpliterator<>(Objects.requireNonNull(c),
characteristics);
}这里就和Arrays不一样了，返回了一个IteratorSpliterator。而具体区别就是Spliterator实现的几个try*方法的不同了。
生成方法
我是这么理解生成方法的，通过generator或iterator来生成。比如generator，主要是通过Stream默认的generate()方法。声明如下：
/**
* Returns an infinite sequential unordered stream where each element is
* generated by the provided {@code Supplier}. This is suitable for
* generating constant streams, streams of random elements, etc.
*
* @param <T> the type of stream elements
* @param s the {@code Supplier} of generated elements
* @return a new infinite sequential unordered {@code Stream}
*/
public static<T> Stream<T> generate(Supplier<T> s) {
Objects.requireNonNull(s);
return StreamSupport.stream(
new StreamSpliterators.InfiniteSupplyingSpliterator.OfRef<>(Long.MAX_VALUE, s), false);
}这就是一个Supplier来生成流。单单看其中的OfRef()构造方法做的事情，其实就是定义了一个InfiniteSupplyingSpliterator，名曰无穷的供给Spliterator。它的核心tryAdvance方法，就是用tryAdvance的参数Consumer，来执行外层参数Supplier。具体实现如下：
@Override
public boolean tryAdvance(Consumer<? super T> action) {
Objects.requireNonNull(action);
action.accept(s.get());
return true;
}这下都明白了。当然场景在注释里也提到了，适合常量流和随机变量流，无穷无尽持续生成。
使用iterate方法构建的流，也是一个无穷的流，声明如下：
/**
* Returns an infinite sequential ordered {@code Stream} produced by iterative
* application of a function {@code f} to an initial element {@code seed},
* producing a {@code Stream} consisting of {@code seed}, {@code f(seed)},
* {@code f(f(seed))}, etc.
*
* <p>The first element (position {@code 0}) in the {@code Stream} will be
* the provided {@code seed}. For {@code n > 0}, the element at position
* {@code n}, will be the result of applying the function {@code f} to the
* element at position {@code n - 1}.
*
* @param <T> the type of stream elements
* @param seed the initial element
* @param f a function to be applied to to the previous element to produce
* a new element
* @return a new sequential {@code Stream}
*/
public static<T> Stream<T> iterate(final T seed, final UnaryOperator<T> f) {
Objects.requireNonNull(f);
final Iterator<T> iterator = new Iterator<T>() {
@SuppressWarnings("unchecked")
T t = (T) Streams.NONE;
@Override
public boolean hasNext() {
return true;
}
@Override
public T next() {
return t = (t == Streams.NONE) ? seed : f.apply(t);
}
};
return StreamSupport.stream(Spliterators.spliteratorUnknownSize(
iterator,
Spliterator.ORDERED | Spliterator.IMMUTABLE), false);
}其通过构造一个Iterator，将遍历方法next实现为调用一元操作算子对初始种子值迭代计算来构造流。
流的处理
流的处理包含了中间操作和终止操作。后面通过两个表格来解释一下中间操作和终止操作的具体方法。
中间操作
| 方法 | 参数 | 用途 |
|---|---|---|
| concat | Stream< ? extends T> a, Stream< ? extends T> b | 将两个流合起来形成新流 |
| distinct | 将流里的元素按照Ojbect.equal方法进行聚合去重，返回一个去重结果的新流 | |
| empty | 返回一个空的流 | |
| filter | Predicate< ? super T> predicate | 按照谓词参数过滤，过滤后的元素形成新流返回 |
| flatMap | Function< ? super T, ? extends Stream< ? extends R>> mapper | 将流里的元素T，按照参数Function进行处理，处理结果是一个子流Stream< ? extends R>，后续将子流flat打平，形成元素R的新流。类似的有flatToDouble、flatToInt和flatToLong |
| limit | long maxSize | 返回一个新流，只包含maxSize个元素，其他被truncate掉 |
| map | Function< ? super T, ? extends R> mapper | 经典的map操作，对流里的每个元素，通过参数mapper映射为一个新的元素，返回新元素的流。类似map有mapToDouble、mapToInt和mapToLong |
| peek | Consumer< ? super T> action | 这个动作非常有趣，它并不改变流，而是对流里的每个元素执行一个Consumer，对其进行一次处理。原始流不变继续返回 |
| skip | long n | 跳过n个元素，从第n+1个元素开始返回一个新的流 |
| sorted | Comparator< ? super T> comparator | 根据参数排序器对流进行排序，返回新的流。如果参数为空，则按照自然序排序 |
中间操作因为不中断流，所以比较好理解，最复杂的算是map，但是也是一个映射关系，因此这里不做例子展示。
终止操作
| 方法 | 参数 | 用途 |
|---|---|---|
| allMatch | Predicate< ? super T> predicate | 根据谓词函数判断流里的元素是否都满足，返回对应的boolean值 |
| anyMatch | Predicate< ? super T> predicate | 根据谓词函数判断流里的元素是否存在一个或多个满足，返回对应的boolean值 |
| noneMatch | Predicate< ? super T> predicate | 根据谓词函数判断流里的元素是否不存在任何一个元素满足，返回对应的boolean值 |
| count | 返回这个流里元素的个数 | |
| findAny | 返回一个Optional对象，这个等价于对于一个流执行一个select操作，返回一条记录 | |
| findFirst | 返回这个流里的第一个元素的Optional，如果这个流不是有序的，则返回任意元素 | |
| forEach | Consumer< ? super T> action | 对这个流的每个元素，执行参数Consumer |
| forEachOrdered | Consumer<? super T> action | 针对forEach在并行流里对有序元素的输出不足，这个方法确保并行流中按照原来顺序处理 |
| max | Comparator<? super T> comparator | 返回一个Optional值，包含了流里元素的max，条件是按照参数排序器排序 |
| min | Comparator<? super T> comparator | 返回一个Optional值，包含了流里元素的min，条件是按照参数排序器排序 |
| reduce | BinaryOperator< T> accumulator | 经典的reduce，就是根据一个二元操作算子，将流中的元素逐个累计操作一遍，初始元素以foundAny结果为主 |
| reduce | T identity, BinaryOperator< T> accumulator | 与上面的方法一致，只不过多了一个初始值，不需要findAny了 |
| reduce | U identity,BiFunction< U, ? super T, U> accumulator,BinaryOperator< U> combiner | 最复杂的reduce，看到combiner会不会有联想？它做的也是对于一个流里的元素T，使用二元函数accumulator计算，计算的值累计到U上，因为之前的reduce要求流元素和结果元素类型一致，所以有限制。而该reduce函数，支持T和U类型不同，通过二元函数转换，但是要求combiner会执行这个事情，要求“ combiner.apply(u, accumulator.apply(identity, t)) == accumulator.apply(u, t)” |
| collect | Supplier< R> supplier,BiConsumer< R, ? super T> accumulator,BiConsumer< R, R> combiner | 超级强大的方法。常规的reduce是返回不可变的值。而collect可以将reduce后的值升级为一个可变容器。具体这个方法就是对流里每个元素T，将Supplier提供的值R作为初始值，用BiConsumer的accumulator进行累加计算。combiner的作用和要求和reduce是一样的 |
| collect | Collector< ? super T, A, R> collector | 和上面的collect一致，只不过Collector封装了一组上面的参数，T是流里的元素，A是累计中间结果，R是返回值的类型（collect的话就是容器了） |
这里我们需要看几个方法例子：
reduce:(word length sum)
Integer[] digits = {3, 1, 4};
Stream<Integer> values = Stream.of(digits);
//无初始值的
// Optional<Integer> sum = values.reduce((x, y) -> x + y);
// System.out.println(sum);// 会输出8
//有初始值的
Integer sum2 = values.reduce(0, (x, y) -> x + y);
System.out.println(sum2);//也会输出8
//增强reduce的
String[] wordArr = {"a", "b", "c"};
Stream<String> words = Stream.of(wordArr);//string 流
//计算每个元素的长度之和，0是初始值，第一次运算后，将其与第一个元素的长度1加和，得到1，把1和原始0进行combine，再不断迭代。。。
int result = words.reduce(0, (length, t) -> t.length() + length, (length1, length2) -> length1 + length2);
System.out.println("reduce" + result);//这里输出reduce3原始collect：(word count)
String[] wordArr = {"a", "b", "c", "a", "a", "b", "c", "d", "e"};
Arrays.stream(wordArr)
.collect(TreeMap::new, (map, str) -> {
Object val = map.get(str);
if (val != null) {
Integer v = Integer.valueOf(val.toString());
map.put(str, v + 1);
} else {
map.put(str, 1);
}
}, (map1, map2) -> {
map1.putAll(map2);
}).entrySet()
.forEach(System.out::println);输出结果是：
a=3
b=2
c=2
d=1
e=1
可以看到这样去完成任务还是有点恶心的。这也是Collector想帮我们的地方：
String[] wordArr = {"a", "b", "c", "a", "a", "b", "c", "d", "e"};
Arrays.stream(wordArr)
.collect(groupingBy(Function.identity(), () -> new TreeMap<>(), counting())).entrySet()
.forEach(System.out::println);这是collector版的wordcount，简洁了好多。这里的Collectors.groupingBy是个很复杂的函数，其实现如下：
/**
* Returns a {@code Collector} implementing a cascaded "group by" operation
* on input elements of type {@code T}, grouping elements according to a
* classification function, and then performing a reduction operation on
* the values associated with a given key using the specified downstream
* {@code Collector}. The {@code Map} produced by the Collector is created
* with the supplied factory function.
*
* <p>The classification function maps elements to some key type {@code K}.
* The downstream collector operates on elements of type {@code T} and
* produces a result of type {@code D}. The resulting collector produces a
* {@code Map<K, D>}.
*
* <p>For example, to compute the set of last names of people in each city,
* where the city names are sorted:
* <pre>{@code
* Map<City, Set<String>> namesByCity
* = people.stream().collect(groupingBy(Person::getCity, TreeMap::new,
* mapping(Person::getLastName, toSet())));
* }</pre>
*
* @implNote
* The returned {@code Collector} is not concurrent. For parallel stream
* pipelines, the {@code combiner} function operates by merging the keys
* from one map into another, which can be an expensive operation. If
* preservation of the order in which elements are presented to the downstream
* collector is not required, using {@link #groupingByConcurrent(Function, Supplier, Collector)}
* may offer better parallel performance.
*
* @param <T> the type of the input elements
* @param <K> the type of the keys
* @param <A> the intermediate accumulation type of the downstream collector
* @param <D> the result type of the downstream reduction
* @param <M> the type of the resulting {@code Map}
* @param classifier a classifier function mapping input elements to keys
* @param downstream a {@code Collector} implementing the downstream reduction
* @param mapFactory a function which, when called, produces a new empty
* {@code Map} of the desired type
* @return a {@code Collector} implementing the cascaded group-by operation
*
* @see #groupingBy(Function, Collector)
* @see #groupingBy(Function)
* @see #groupingByConcurrent(Function, Supplier, Collector)
*/
public static <T, K, D, A, M extends Map<K, D>>
Collector<T, ?, M> groupingBy(Function<? super T, ? extends K> classifier,
Supplier<M> mapFactory,
Collector<? super T, A, D> downstream) {
Supplier<A> downstreamSupplier = downstream.supplier();
BiConsumer<A, ? super T> downstreamAccumulator = downstream.accumulator();
BiConsumer<Map<K, A>, T> accumulator = (m, t) -> {
K key = Objects.requireNonNull(classifier.apply(t), "element cannot be mapped to a null key");
A container = m.computeIfAbsent(key, k -> downstreamSupplier.get());
downstreamAccumulator.accept(container, t);
};
BinaryOperator<Map<K, A>> merger = Collectors.<K, A, Map<K, A>>mapMerger(downstream.combiner());
@SuppressWarnings("unchecked")
Supplier<Map<K, A>> mangledFactory = (Supplier<Map<K, A>>) mapFactory;
if (downstream.characteristics().contains(Collector.Characteristics.IDENTITY_FINISH)) {
return new CollectorImpl<>(mangledFactory, accumulator, merger, CH_ID);
}
else {
@SuppressWarnings("unchecked")
Function<A, A> downstreamFinisher = (Function<A, A>) downstream.finisher();
Function<Map<K, A>, M> finisher = intermediate -> {
intermediate.replaceAll((k, v) -> downstreamFinisher.apply(v));
@SuppressWarnings("unchecked")
M castResult = (M) intermediate;
return castResult;
};
return new CollectorImpl<>(mangledFactory, accumulator, merger, finisher, CH_NOID);
}
}主要对比一下泛型参数吧，这里的T就是stream元素String，K呢也是String，M是TreeMap，D是counting的结果Long，A也是counting的Supplier等于Long。
by the way，Collectors类还提供了很多静态方法方便开发者将stream做collect操作，比如快捷的toSet/toMap/toList，groupingBy/counting/joining等等。
官方jdk注释里提供了一些简单例子，我这里copy一下：
// Accumulate names into a List
List<String> list = people.stream().map(Person::getName).collect(Collectors.toList());
// Accumulate names into a TreeSet
Set<String> set = people.stream().map(Person::getName).collect(Collectors.toCollection(TreeSet::new));
// Convert elements to strings and concatenate them, separated by commas
String joined = things.stream()
.map(Object::toString)
.collect(Collectors.joining(", "));
// Compute sum of salaries of employee
int total = employees.stream()
.collect(Collectors.summingInt(Employee::getSalary)));
// Group employees by department
Map<Department, List<Employee>> byDept
= employees.stream()
.collect(Collectors.groupingBy(Employee::getDepartment));
// Compute sum of salaries by department
Map<Department, Integer> totalByDept
= employees.stream()
.collect(Collectors.groupingBy(Employee::getDepartment,
Collectors.summingInt(Employee::getSalary)));
// Partition students into passing and failing
Map<Boolean, List<Student>> passingFailing =
students.stream()
.collect(Collectors.partitioningBy(s -> s.getGrade() >= PASS_THRESHOLD));
Stream究竟怎么实现的
一个例子
我们拿一个简单的例子来详细分析一下：
String[] a = {"1.0", "2.0", "3.0", "4.0", "5.0"};
Optional optional = Stream.of(a).map((v) -> Double.valueOf(v)).filter((v) -> v > 2).sorted((v1, v2) -> v2.compareTo(v1)).limit(2).reduce((v1, v2) -> v1 + v2);
System.out.println(optional);这个例子会输出一个Optional值，答案是12，流的处理逻辑是：
- 将数组a构建为一个流：{"1.0", "2.0", "3.0", "4.0", "5.0"}
- 把string型数据映射为double：{1.0, 2.0, 3.0, 4.0, 5.0}
- 过滤其中大于2的元素：{3.0, 4.0, 5.0}
- 倒序排列元素：{5.0, 4.0, 3.0}
- 限制流大小只取前两个元素：{5.0, 4.0}
- reduce求和：5.0+4.0=9.0
分析map阶段
我们之前已经讲过构造流源头的分析，产生了一个ReferencePipeline的Head。那么从后续的map开始分析：
public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) {
Objects.requireNonNull(mapper);
return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
return new Sink.ChainedReference<P_OUT, R>(sink) {
@Override
public void accept(P_OUT u) {
downstream.accept(mapper.apply(u));
}
};
}
};
}仔细看，map返回的是一个StatelessOp，它继承了ReferencePipeline。我们知道ReferencePipeline继承了AbstractPipeline，而AbstractPipeline是真正流结构的持有者。AbstractPipeline里定义了source、nextStage和previousStage，这个结构很明确的将流等同于一个链表，每个node都和前后有关联，并且每个node都有一个到链表起始head的连接。如下图所示：
AbstractPipeline有个onWrapSink抽象方法，其核心就是将每个pipeline表达为一个Sink，而一个流就是由一个源头Source，多个Sink串起来的一个链表结构。每个Sink结构上作为一个链表节点存在，功能上等价于一个Consumer（Sink接口继承Consumer），通过accept方法来执行Sink操作。额外的多了begin和end方法做一些预处理和后处理的工作。
回到刚才的map方法，map返回一个Sink（具体是一个ChainedReference），其中accept做的工作就是调用mapper的apply方法，相当于执行mapper了。做一个拓扑图，就是
分析filter阶段
接下来构造filter，源码如下：
public final Stream<P_OUT> filter(Predicate<? super P_OUT> predicate) {
Objects.requireNonNull(predicate);
return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,
StreamOpFlag.NOT_SIZED) {
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {
return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {
@Override
public void begin(long size) {
downstream.begin(-1);
}
@Override
public void accept(P_OUT u) {
if (predicate.test(u))
downstream.accept(u);
}
};
}
};
}同理分析，它返回的也是个StatelessOp，其中同样是一个ChainedReference的 Sink，accept方法就是会判断一下谓词函数predicate是否接受参数，如果接受调用下游的accept。拓扑变更为
分析排序阶段
再接下来排序，排序返回的是一个StatefulOp，对比之前的map和filter，排序是一个有状态的中间操作。实际的StatefulOp是一个它的子类OfRef，OfRef持有一个排序器
private static final class OfRef<T> extends ReferencePipeline.StatefulOp<T, T> {
/**
* Comparator used for sorting
*/
private final boolean isNaturalSort;
private final Comparator<? super T> comparator;
...
}它的onWrapSink方法返回
public Sink<T> opWrapSink(int flags, Sink<T> sink) {
Objects.requireNonNull(sink);
// If the input is already naturally sorted and this operation
// also naturally sorted then this is a no-op
if (StreamOpFlag.SORTED.isKnown(flags) && isNaturalSort)
return sink;
else if (StreamOpFlag.SIZED.isKnown(flags))
return new SizedRefSortingSink<>(sink, comparator);
else
return new RefSortingSink<>(sink, comparator);
}也就是说，如果有序，直接pass，返回原sink，否则，根据其列表是否有界，来使用不同的Sink返回，有界的排序Sink内部是一个数组T[]，而无界的排序Sink内部是一个ArrayList< T>。以无界排序Sink为例，其中的三个方法begin负责构造List，accept负责把流元素add进去，而end负责排序sort。看下实现一目了然：
private static final class RefSortingSink<T> extends AbstractRefSortingSink<T> {
private ArrayList<T> list;
RefSortingSink(Sink<? super T> sink, Comparator<? super T> comparator) {
super(sink, comparator);
}
@Override
public void begin(long size) {
if (size >= Nodes.MAX_ARRAY_SIZE)
throw new IllegalArgumentException(Nodes.BAD_SIZE);
list = (size >= 0) ? new ArrayList<T>((int) size) : new ArrayList<T>();
}
@Override
public void end() {
list.sort(comparator);
downstream.begin(list.size());
if (!cancellationWasRequested) {
list.forEach(downstream::accept);
}
else {
for (T t : list) {
if (downstream.cancellationRequested()) break;
downstream.accept(t);
}
}
downstream.end();
list = null;
}
@Override
public void accept(T t) {
list.add(t);
}
}最终构造的Stream拓扑结构变为
分析limit阶段
limit也是一个StatefulOp，其和skip复用了一个Sink，其中的onWrapSink方法具体会在accept阶段控制一个limit的size：
public void accept(T t) {
if (n == 0) {
if (m > 0) {
m--;
downstream.accept(t);
}
}
else {
n--;
}
}其他的逻辑和之前的sink类似，不赘述，拓扑结构更新如下：
分析reduce阶段
reduce就和之前的Sink不一样了，reduce作为一个终止操作，不再是Sink，而是一个触发流执行的动作，其调用了AbstractPipeline的evaluate方法来触发整个流的执行。
public final Optional<P_OUT> reduce(BinaryOperator<P_OUT> accumulator) {
return evaluate(ReduceOps.makeRef(accumulator));
}evaluate方法声明如下：
/**
* Evaluate the pipeline with a terminal operation to produce a result.
*
* @param <R> the type of result
* @param terminalOp the terminal operation to be applied to the pipeline.
* @return the result
*/
final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp) {
assert getOutputShape() == terminalOp.inputShape();
if (linkedOrConsumed)
throw new IllegalStateException(MSG_STREAM_LINKED);
linkedOrConsumed = true;
return isParallel()
? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags()))
: terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
}其入参是一个TerminalOp终止操作，而返回的就是流执行后的结果。干的事情就是调用TerminalOp的evaluateSequential方法来执行整个流。具体到这个例子就是调用ReduceOp（它继承TerminalOp）的evaluateSequential方法。
public <P_IN> R evaluateSequential(PipelineHelper<T> helper,
Spliterator<P_IN> spliterator) {
return helper.wrapAndCopyInto(makeSink(), spliterator).get();
}其中PipelineHelper的wrapAndCopyInto方法就是包装sink，然后copyInto就是执行了。
final <P_IN, S extends Sink<E_OUT>> S wrapAndCopyInto(S sink, Spliterator<P_IN> spliterator) {
copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);
return sink;
}其中wrapSink很重要，它负责调用之前拓扑结构的每个Sink的onWrapSink方法把这个链式结构建立起来。看代码会发现，链是自后向前的。
final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {
Objects.requireNonNull(sink);
for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
sink = p.opWrapSink(p.previousStage.combinedFlags, sink);
}
return (Sink<P_IN>) sink;
}构造好后，执行copyInto：
final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
Objects.requireNonNull(wrappedSink);
if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
wrappedSink.begin(spliterator.getExactSizeIfKnown());
spliterator.forEachRemaining(wrappedSink);
wrappedSink.end();
}
else {
copyIntoWithCancel(wrappedSink, spliterator);
}
}具体核心就是驱动源头的Spliterator开始forEachRemaining，也就是遍历。对于每个元素进行tryAdvance(action)，此处的action就是一个Sink了（刚才说过Sink继承Consumer）。这样一个链就开始从头到尾（不一定，这取决于源头结构和Spliterator类型）执行了。
最终的链式拓扑结构如下：
链式的执行依赖于TerminalOp究竟是什么，因此一个Stream的执行是lazy的，当流构建好时，只是一个Sink的链式结构，最终的遍历和执行需要一个终止操作来触发。回到本节开始时的例子，前5步流是构造不执行的，直到第6步确定reduce求和，才触发了流的遍历执行。
总结
本文是Java8三个系列的最后一篇，笔者非常粗浅地分析了Java 8的Stream用法和简单实现剖析。整个一个系列完成，个人以为Java 8的三大亮点也分别简单总结整理完成。对于Java开发者，个人建议要在程序设计时广泛使用流式Stream用法，其可以非常高效地帮助开发者完成一些常用结构体（array/list/map）的遍历操作；使用函数式设计，可以极大的补充面向对象的编程思维，在OO模式抽象实体的同时，可以FP模式抽象操作和函数，这对于一些以操作为主的系统架构和设计来说，引入方法抽象和函数将极大地辅助系统设计。
