备案控制台
开发者社区 大数据 文章 正文

JDK1.8 新特性（二）【Stream 流】

2023-12-06 86
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
本文涉及的产品
实时计算 Flink 版，5000CU*H 3个月
推荐场景：
实时发现最热Github项目
简介： JDK1.8 新特性（二）【Stream 流】

前言

       上节我们学了 lambda 表达式，很快我就在 Flink 的学习中用到了，我学的是 Java 版本的 Flink，一开始会以为代码会很复杂，但事实上 Flink 中很多地方都用到了 函数接口，这也让我们在编写 Flink 程序的时候可以使用 lambda 表达式非常地简洁地实现匿名函数。

今天再来学习一个新的特性，Stream 流，光是看名字就觉得和大数据能扯上关系，我们的 Spark、Flink 当中不就都是这种流的概念嘛。

1、什么是 Strem 流

Stream 是 JDK1.8 中处理集合的关键抽象概念， Lambda 表达式 和 Stream 是JDK1.8 新增的函数式编程中最有亮点的特性了，它可以指定你希望对集合进行操作，可以执行非常复杂的查询过滤和映射等操作。使用 Stream API 对集合数据进行操作，就类似于使用 SQL 来执行对 Java 集合运算和表达的高阶抽象。

 Stream API 可以极大地提高 Java 程序员的生产力，让程序员写出更加高效、干净、简洁的代码。那对我在大数据开发中更是如此。

       这种风格将要处理的元素集合看做一种流，流在管道中传输，并且可以在管道的节点上进行处理，比如过滤、排序、聚合等。

2、Stream 创建方式

1、创建串行 Stream

Stream<User> userStream = list.stream();

2、创建并行 Stream

Stream<User> userStream = list.parallelStream();

3、关闭

在Java中，Stream只能被操作一次，一旦你对其进行了一次操作（比如forEach, collect等），它就会被关闭，再次操作就会报错：stream has already been operated upon or closed。

3、Stream 将 List 转换为 Set

1、创建 List 集合

Stream 是通过集合创建出来的，所以我们先创建一个集合，而集合内我们需要存放实体，所以先创建一个实体类 User：

public class User {
    public String name;
    public int age;
    public User(){}
    public User(String name, int age) {
        this.name = name;
        this.age = age;
    }
    @Override
    public String toString() {
        return "User{" +
                "name='" + name + '\'' +
                ", age=" + age +
                '}';
    }
    @Override
    public boolean equals(Object o) {
        if (this == o) return true;
        if (o == null || getClass() != o.getClass()) return false;
        User user = (User) o;
        return age == user.age && Objects.equals(name, user.name);
    }
    @Override
    public int hashCode() {
        return Objects.hash(name, age);
    }
    public String getName() {
        return name;
    }
    public void setName(String name) {
        this.name = name;
    }
    public int getAge() {
        return age;
    }
    public void setAge(int age) {
        this.age = age;
    }
}

创建集合

List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        list.add(new User("李元芳", 30));
        list.add(new User("李元芳", 30));

重写 equals

注意：这里我们对实体类的 equals 和 hashcode 方法进行了重写，这在之前我是不会去重写的。重写和不重写的区别就是：

   重写后，当两个实体对象的属性相同时，equals 方法返回 true，如果没有重写，则 equals 返回 false。

== 和 equals

 == 用于比较基本数据类型的值是否相等或者对象的引用地址是否相同。

int a = 10;
int b = 10;
System.out.println(a==b);    //true
String str1 = "hello";
String str2 = "hello";
System.out.println(str1==str2);    //false

equals 用于比较两个对象的内容是否相等。在Object类中，默认的“equals()”实现使用“==”操作符比较对象的引用。但是，许多类（如String、Integer等）重写了“equals()”方法，以便根据类的特定属性比较对象的内容。

set 去重底层原理

set 去重底层依赖于 map 集合实现放重复的 key，map 集合底层基于 equals ，它先比较 key 的hashcode 是否相同，相同情况下再调用 equals 方法判断是否真的相等。

所以一个实体类是否重写 equals 方法区别很大。

User u1 = new User("s",1);
        User u2 = new User("s",1);
        System.out.println(u1.equals(u2));

上面的代码，如果我们以 User 对象作为 key，如果我们的 User 没有重写 equals 方法，那么返回的就是 false，因为默认使用 == ，引用地址不同；如果重写了 equals 方法，那么返回的就是 true，因为使用重写后的 equals ，两个对象属性相同返回 true。

注意：对象的比较不会去比较 hashcode。 

HashMap<User, String> map = new HashMap<>();
        map.put(u1,"a");
        map.put(u2,"b");
        System.out.println(map.get(u1).equals(map.get(u2)));

上面的代码，如果我们没有重写 hashcode 的情况下，那么返回的就是 true，因为 map 的底层是通过 hashcode 来比较两个 key 是否相同；如果重写了 hashcode ，那么返回的就是 true。

2、List 转为 Set

public static void main(String[] args) {
        List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        // 下面是两个属性相同的两个对象(我们已经重写了 equals 和 hashcode 方法)
        list.add(new User("李元芳", 30));
        list.add(new User("李元芳", 30));
        // todo 创建 Stream 的两种方式
        // 1. 串行流 stream() 单线程
        Stream<User> stream = list.stream();
        Set<User> set = stream.collect(Collectors.toSet());
        set.forEach(user->{
            System.out.println(user.toString());
        });
}

运行结果：

1. User{name='李元芳', age=30}
2. User{name='燕双鹰', age=28}
3. User{name='李大喜', age=20}

可以看到，重写 equals 和 hashcode 方法后，虽然相同属性的两个对象的内存地址不同，但也被去除重复了。

4、Stream 将 List 转为 Map

1、创建 List

注意：List 转为 Map 的时候，由于 Map 集合不允许存在重复的 key，所以我们必须保证 list 集合中作为 key 字段的属性值唯一。

List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        list.add(new User("李元芳", 30));

2、List 转为 Map

 Stream<User> stream = list.stream();
        // list 集合是没有 key 的,所以不能直接转为 map 集合,需要指定 key(指定对象的某个字段作为key)
        Map<String, User> collect = stream.collect(Collectors.toMap(new Function<User, String>() {  // 第一个参数 list中的类型,第二个参数是key类型: String
            @Override
            public String apply(User user) {
                return user.getName();
            }
        }, new Function<User, User>() { // 第一个参数 list中的类型,第二个参数是value类型: User
            @Override
            public User apply(User user) {
                return user;
            }
        }));
        collect.forEach(new BiConsumer<String, User>() {
            @Override
            public void accept(String key, User user) {
                System.out.println(key+","+user.toString());
            }
        });

使用 lambda 表达式简化一下代码：

        // 用lambda表达式
        Map<String, User> collect = stream.collect(Collectors.toMap(User::getName, user -> user));
        collect.forEach((key,user)-> System.out.println(key+","+user.toString()));

运行结果：

1. 李元芳,User{name='李元芳', age=30}
2. 李大喜,User{name='李大喜', age=20}
3. 燕双鹰,User{name='燕双鹰', age=28}

5、Strem 通过 reduce 方法求和

1、简单求和

这里我们通过 Stream.of() 方法来进行数据的构造（这让我想到了最近 Flink）。

Stream<Integer> stream = Stream.of(10, 50, 30, 10);
        Optional<Integer> res = stream.reduce(new BinaryOperator<Integer>() {
            @Override
            public Integer apply(Integer integer, Integer integer2) {
                return integer + integer2;
            }
        });

使用 lamda 表达式 

Optional<Integer> res = stream.reduce(Integer::sum);

关于结果的打印，我们后面讲到 Optional 类的时候再详细说，一般直接：

System.out.println(res.get());

2、对象属性和

我们构造一个 List 集合，然后转为 Stream 调用 reduce 方法进行求和。

注意：reduce 方法的返回结果类型必须和 Stream 的类型一致（就像我们 Hadoop 中的 WordCount）。

List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        list.add(new User("李元芳", 30));
        Stream<User> stream = list.stream();
        Optional<User> sum = stream.reduce(new BinaryOperator<User>() {
            @Override
            public User apply(User user1, User user2) {
                return new User("sum",user1.getAge()+ user2.getAge());
            }
        });
        System.out.println(sum.get());

lambda 表达式简化：

        Stream<User> stream = list.stream();
        Optional<User> sum = stream.reduce(((user1, user2) -> new User("sum", user1.getAge() + user2.getAge())));
        System.out.println(sum.get());//78

6、Strem 查找集合最大值和最小值

1、创建集合

List<User> list = new ArrayList<>();
list.add(new User("燕双鹰",28));
list.add(new User("李大喜",20));
list.add(new User("李元芳", 30));

2、查找最大 age 属性对象

Optional<User> max = stream.max(new Comparator<User>() {
            @Override
            public int compare(User o1, User o2) {
                return o1.getAge() - o2.getAge();
            }
        });
        System.out.println(max.get());

lambda表达式简化：

Optional<User> max = stream.max((user1, user2) -> user1.getAge() - user2.getAge());
        System.out.println(max.get());    //30

3、查找最小 age 属性对象

Optional<User> min = stream.min((user1, user2) -> user1.getAge() - user2.getAge());
        System.out.println(min.get());    //20

7、Stream 中 Match 用法

anyMatch 表示，任意一个元素满足条件返回 true。

allMatch 表示，所有元素满足条件才会返回 true。

noMatch 表示，所有条件都不满足这个条件才会返回 true。

1、创建集合

List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        list.add(new User("李元芳", 30));
        Stream<User> stream = list.stream();

2、anyMatch

判断集合中是否存在 age 属性大于 25 的对象。

 boolean res = stream.anyMatch(new Predicate<User>() {
            @Override
            public boolean test(User user) {
                return user.getAge() > 25;
            }
        });
        System.out.println(res);

lambda 表达式：

1. boolean res = stream.anyMatch(user -> user.getAge() > 25);
2.         System.out.println(res);    //true

3、allMatch

判断是否所有对象的 age属性都大于 30

boolean res = stream.allMatch(user -> user.getAge() > 30);
        System.out.println(res);    //false

4、noMatch

判断是否用户都不满足 name 为 “光头强 ”

boolean res = stream.noneMatch(user -> user.getName().equals("光头强"));
        System.out.println(res); //true

8、Stream 过滤器

和我们 Flink 的 DataStream API 中的转换算子 filter 很像，它们都是把 判断条件结果为 true 的数据留下，false 则丢掉。

1、创建集合

List<User> list = new ArrayList<>();
        list.add(new User("燕双鹰",28));
        list.add(new User("李大喜",20));
        list.add(new User("李元芳", 30));
        Stream<User> stream = list.stream();

2、过滤

留下 年龄>25 岁的 User 对象。

Stream<User> filterStream = stream.filter(new Predicate<User>() {
            @Override
            public boolean test(User user) {    //为 true 则留下
                return user.getAge()>25;
            }
        });
        filterStream.forEach(new Consumer<User>() {
            @Override
            public void accept(User user) {
                System.out.println(user);
            }
        });

运行结果： 

1. User{name='燕双鹰', age=28}
2. User{name='李元芳', age=30

lambda表达式：

Stream<User> filterStream = stream.filter(user -> user.getAge() > 25);
        filterStream.forEach(System.out::println);

9、Stream Limit 和 Skip

同样，Stream 需要通过集合来创建。

List<User> list = new ArrayList<>();
list.add(new User("燕双鹰",28));
list.add(new User("李大喜",20));
list.add(new User("李元芳", 30));
list.add(new User("熊大",15));
list.add(new User("熊二",14));
list.add(new User("光头强",20));
Stream<User> stream = list.stream();

1、取出前2条数据

// 在mysql中limit(start,end)需要传两个参数,但在这里只允许传入一个long类型的 maxSize
        // 取前2条数据
        stream.limit(2).forEach(System.out::println);

运行结果：

1. User{name='燕双鹰', age=28}
2. User{name='李大喜', age=20}

2、取出第 [3,6) 条数据

注意，这里的索引是从 0 开始的。

1. // 取 [3,6)条数据 想要分页从先 skip 再 limit
2. stream.skip(2).limit(3).forEach(System.out::println);

运行结果：

 

1. User{name='李元芳', age=30}
2. User{name='熊大', age=15}
3. User{name='熊二', age=14}

10、Stream 排序 sorted

下面用到的数据。

List<User> list = new ArrayList<>();
list.add(new User("燕双鹰",28));
list.add(new User("李大喜",20));
list.add(new User("李元芳", 30));
list.add(new User("熊大",15));
list.add(new User("熊二",14));
list.add(new User("光头强",20));
Stream<User> stream = list.stream();

1、直接排序

对于数值型的数据可以直接进行排序

Stream<Integer> integerStream = Stream.of(1, 5, 8, 3, 7);
integerStream.sorted().forEach(System.out::println);    //1 3 5 7 8

2、根据对象字段进行升序

stream.sorted(new Comparator<User>() {
    @Override
    public int compare(User o1, User o2) {
        return o1.getAge()-o2.getAge();
    }
}).forEach(System.out::println);

lambda 表达式：

stream.sorted((o1, o2) -> o1.getAge()-o2.getAge()).forEach(System.out::println);

运行结果： 

User{name='熊二', age=14}
User{name='熊大', age=15}
User{name='李大喜', age=20}
User{name='光头强', age=20}
User{name='燕双鹰', age=28}
User{name='李元芳', age=30}

JDK1.8 提供的函数接口

都在包 java.util.function 包下。

并行流

案例1 - 500亿次求和

1、使用单线程

Instant start = Instant.now();
        long sum = 0;
        for (long i = 0; i <= 50000000000L; i++) {
            sum+=i;
        }
        Instant end = Instant.now();
        System.out.println(sum);
        System.out.println("500亿次求和花费时间: "+ Duration.between(start,end).toMillis()+"ms");   // 单线程 11s左右  多线程 6s左右

2、使用并行流

Instant start = Instant.now();
        LongStream longStream = LongStream.rangeClosed(0,50000000000L);
        OptionalLong result = longStream.parallel().reduce(new LongBinaryOperator() {
            @Override
            public long applyAsLong(long left, long right) {
                return left + right;
            }
        });
        Instant end = Instant.now();
        System.out.println(result.getAsLong());
        System.out.println("500亿次求和花费时间: "+ Duration.between(start,end).toMillis()+"ms");   // 单线程 11s左右  多线程 6s左右

可以发现，多线程明显要快很多。

总结

       本次学习收获非常大，函数接口的思想在 Flink 中随处可见，的确，这样一种能够使得代码简洁高效的技术在大数据开发中是非常重要的。

文章标签：
实时计算 Flink版
流计算
Java
API
大数据
分布式计算
关键词：
jdk stream
jdk特性
相关实践学习
基于Hologres轻松玩转一站式实时仓库
本场景介绍如何利用阿里云MaxCompute、实时计算Flink和交互式分析服务Hologres开发离线、实时数据融合分析的数据大屏应用。
Linux入门到精通
本套课程是从入门开始的Linux学习课程，适合初学者阅读。由浅入深案例丰富，通俗易懂。主要涉及基础的系统操作以及工作中常用的各种服务软件的应用、部署和优化。即使是零基础的学员，只要能够坚持把所有章节都学完，也一定会受益匪浅。
让线程再跑一会
目录
相关文章
喜欢猪猪
|
6天前
|
安全 JavaScript 前端开发
JDK1.8的重要的新特性与功能
Java Development Kit (JDK) 1.8，也称为Java 8，是Java平台的一个重大更新，于2014年3月发布。它引入了多项新特性、新的API和性能提升
喜欢猪猪
103 3
一只牛博
|
6天前
|
监控 安全 Java
探索Java的未来：JDK 18新特性全览
探索Java的未来：JDK 18新特性全览
一只牛博
87 0
一只牛博
|
6天前
|
缓存 安全 Java
JDK 14全景透视：每个Java开发者必知的新特性
JDK 14全景透视：每个Java开发者必知的新特性
一只牛博
56 0
一只牛博
|
6天前
|
JavaScript 前端开发 安全
Java新纪元：一探JDK 15的全新特性
Java新纪元：一探JDK 15的全新特性
一只牛博
49 0
一只牛博
|
6天前
|
JSON Java API
探秘JDK 13的黑科技：新特性一览
探秘JDK 13的黑科技：新特性一览
一只牛博
53 0
一只牛博
|
6天前
|
Java 测试技术 API
深度剖析JDK 11全新特性：编程艺术的巅峰之作
深度剖析JDK 11全新特性：编程艺术的巅峰之作
一只牛博
50 0
一只牛博
|
6天前
|
存储 Java 数据管理
探秘JDK 10：崭新特性悉数解析
探秘JDK 10：崭新特性悉数解析
一只牛博
67 0
一只牛博
|
6天前
|
JSON 编解码 Java
Java升级：JDK 9新特性全面解析“
Java升级：JDK 9新特性全面解析“
一只牛博
75 0
java开发-郭老师
|
6天前
|
Java API
【JAVA进阶篇教学】第三篇：JDK8中Stream API使用
【JAVA进阶篇教学】第三篇：JDK8中Stream API使用
java开发-郭老师
21 2
阿里开发者
|
6天前
|
算法 Java 编译器
升级指南之JDK 11+ 新特性和AJDK
本文详细介绍了JDK个版本之间的特性、区别以及JDK版本更迭时优化了哪些地方，对JDK的版本选择给出了建议，以及升级教程。
阿里开发者
41 1