在前面的章节中我们介绍了List，也讨论了List的数据结构和操作函数。List这个东西从外表看上去挺美，但在现实中使用起来却可能很不实在。为什么？有两方面：其一，我们可以发现所有List的操作都是在内存中进行的，要求List中的所有元素都必须在操作时存在于内存里。如果必须针对大型数据集进行List操作的话就明显不切实际了。其二，List的抽象算法如折叠算法、map, flatMap等是无法中途跳出的，无论如何都一直进行到底；只有通过递归算法在才能在中途停止运算。但递归算法不够抽象，经常出现重复的代码。最要命的是递归算法会随着数据量增加堆栈内存占用（non-tail-recursive），处理大型数据集同样不实际。以上缺陷使List的应用被局限在小规模的数据集处理范围。
矛盾的是，List由于内存占用问题不适合大数据集处理，但它的计算模式又是排列数据模式必须的选择。Stream数据类型具备了List的排列数据计算模式但有不需要将全部数据搬到内存里，可以解决以上提到的大数据集处理问题。Stream的特性是通过“延后计算”（lazy evaluation）来实现的。可以想象一下可能的原理：Stream内元素读取是在具体使用时才进行的。不用说，Stream是典型的只读数据类型。既然要继承List的计算模式，那么在结构设计上是否相同呢？我们先看看Stream的结构设计：
1 trait Stream[+A]
2 case object Empty extends Stream[Nothing]
3 case class Cons[+A](head: () => A, tail: () => Stream[A]) extends Stream[A]天啊，简直是活脱脱的List结构嘛。不过Stream的头元素（head）和无头尾（tail）是延后计算的（non-strict）。由于Cons不是普通函数而是一个类，不容许延后计算类参数，所以传入的是一个函数 () => ???。
以上Stream结构设计与List相同；两种状态是用子类来表示的。以下我们探索以下另外一种设计方案：
1 trait Stream[+A] {
2 def uncons: Option[(A, Stream[A])]
3 def isEmpty: Boolean = uncons.isEmpty
4 }
5 object Stream {
6 def empty[A]: Stream[A] = new Stream[A] {
7 def uncons = None
8 }
9 def cons[A](h: => A, t: => Stream[A]): Stream[A] = new Stream[A] {
10 def uncons = Some((h,t))
11 }
12 def apply[A](as: A*): Stream[A] = {
13 if (as.isEmpty) empty
14 else cons(as.head, apply(as.tail: _*))
15 }
16 }以上的设计方案采用了结构封装形式：数据结构uncons，两种状态empty, cons都被封装在类结构里。最起码我们现在可以直接使用=> A 来表达延后计算参数了。
实际上Stream就是对一个List的描述，一个类型的声明。它的实例生成延后到了具体使用的时候，此时需要的元素已经搬入内存，成了货真价实的List了：
1 //tail recursive
2 def toList_1: List[A] = {
3 @annotation.tailrec
4 def go(s: Stream[A], acc: List[A]): List[A] = {
5 s.uncons match {
6 case None => acc
7 case Some((h,t)) => go(t,h :: acc)
8 }
9 }
10 go(this,Nil).reverse // h :: acc 产生相反顺序
11 }
12 //省去reverse
13 def toListFast: List[A] = {
14 val buf = new collection.mutable.ListBuffer[A]
15 @annotation.tailrec
16 def go(s: Stream[A]): List[A] ={
17 s.uncons match {
18 case Some((h,t)) => {
19 buf += h
20 go(t)
21 }
22 case _ => buf.toList
23 }
24 }
25 go(this)
26 }
27 Stream(1,2.3) //> res0: ch5.stream.Stream[Double] = ch5.stream$Stream$$anon$2@1e643faf
28 Stream(1,2,3).toList //> res1: List[Int] = List(1, 2, 3)
29 Stream(1,2,3).toList_1 //> res2: List[Int] = List(1, 2, 3)
30 Stream(1,2,3).toListFast //> res3: List[Int] = List(1, 2, 3)看看，Stream(1,2,3)就是一个声明。我们通过List转换才真正产生了实例。
再看看Stream最基本的一些操作函数：
1 def take(n: Int): Stream[A] = {
2 if ( n == 0 ) empty
3 else
4 uncons match {
5 case None => empty
6 case Some((h,t)) => cons(h,t.take(n-1))
7 }
8 }
9 def drop(n: Int): Stream[A] = {
10 if (n == 0) this
11 else {
12 uncons match {
13 case Some((h,t)) => t.drop(n-1)
14 case _ => this
15 }
16 }
17 }
18 Stream(1,2,3) take 2 //> res4: ch5.stream.Stream[Int] = ch5.stream$Stream$$anon$2@3dd3bcd
19 (Stream(1,2,3) take 2).toList //> res5: List[Int] = List(1, 2)
20 Stream(1,2,3) drop 2 //> res6: ch5.stream.Stream[Int] = ch5.stream$Stream$$anon$2@97e1986
21 (Stream(1,2,3) drop 2).toList //> res7: List[Int] = List(3)从操作结果可以确定：Stream的操作也都是对操作的描述，是延后计算的。当元素被搬到List时系统才回真正计算这些Stream元素的值。
不过这些操作函数的实现方式与List基本相像：
1 def takeWhile(f: A => Boolean): Stream[A] = {
2 uncons match {
3 case None => empty
4 case Some((h,t)) => if ( f(h) ) cons(h,t.takeWhile(f)) else empty
5 }
6 }
7 def dropWhile(f: A => Boolean): Stream[A] = {
8 uncons match {
9 case None => empty
10 case Some((h,t)) => if ( f(h) ) t.dropWhile(f) else t
11 }
12 }
13 def headOption: Option[A] = uncons match {
14 case Some((h,t)) => Some(h)
15 case _ => None
16 }
17 def tail: Stream[A] = uncons match {
18 case Some((h,t)) => t
19 case _ => empty
20 }
21
22 (Stream(1,2,3,4,5) takeWhile {_ < 3}).toList //> res8: List[Int] = List(1, 2)
23 (Stream(1,2,3,4,5) dropWhile {_ < 3}).toList //> res9: List[Int] = List(4, 5)
24 Stream(1,2,3,4,5).tail //> res10: ch5.stream.Stream[Int] = ch5.stream$Stream$$anon$2@337d0578
25 (Stream(1,2,3,4,5).tail).toList //> res11: List[Int] = List(2, 3, 4, 5)
26 Stream(1,2,3,4,5).headOption //> res12: Option[Int] = Some(1)前面提到过List的折叠算法无法着中途跳出，而Stream通过“延后计算”（lazy evaluation）是可以实现提早终结计算的。我们先看看Stream的右折叠（foldRight）算法：
1 def foldRight[B](z: B)(op: (A, => B) => B): B = {
2 uncons match {
3 case None => z
4 case Some((h,t)) => op(h,t.foldRight(z)(op))
5 }
6 }这个与List的foldRight简直一模样嘛，不同的只有op函数的第二个参数是延后计算的 => B。秘密就在这个延后计算的B上。看看下面图示：
由于op的第二个参数B是延后计算的，那么t.foldRight(z)(op)这个表达式的计算就是延后的，系统可以决定先不计算这个表达式从而得到了一个中间停顿的结果。
函数exists是在碰到第一个符合条件的元素时马上终止的。我们通常使用递归算法来实现exists的这个特性。现在我们也可以用右折叠算法达到同样效果：
1 def exists(p: A => Boolean): Boolean = {
2 foldRight(false){(a,b) => p(a) || b }
3 }注意：当p(a)=true时系统不再运算b，所以整个运算停了下来。
同样，用foldRight来实现forAll：
1 def forAll(p: A => Boolean): Boolean = {
2 foldRight(true){(a,b) => p(a) && b}
3 }当我们遇到数据结构只能存一个元素如Option，Either时我们用map2来对接两个结构。当我们遇到能存多个元素的数据结构如List，Tree时我们就会用append来对接。Stream是一个多元素的数据结构，我们需要实现append：
1 //把两个Stream连接起来
2 def append[B >: A](b: Stream[B]): Stream[B] = {
3 uncons match {
4 case None => b
5 case Some((h,t)) => cons(h, t.append(b))
6 }
7 }
8 //append简写
9 def #++[B >: A](b: Stream[B]): Stream[B] = append(b)1 (Stream(1,2) #++ Stream(3,4,5)).toList //> res14: List[Int] = List(1, 2, 3, 4, 5)标准装备函数实现：
1 //用递归算法
2 def flatMap[B](f: A => Stream[B]): Stream[B] = {
3 uncons match {
4 case None => empty
5 case Some((h,t)) => f(h) #++ t.flatMap(f)
6 }
7 }
8 //用foldRight实现
9 def flatMap_1[B](f: A => Stream[B]): Stream[B] = {
10 foldRight(empty[B]){(h,t) => f(h) #++ t}
11 }
12 //用递归算法
13 def filter(p: A => Boolean): Stream[A] = {
14 uncons match {
15 case None => empty
16 case Some((h,t)) => if(p(h)) cons(h,t.filter(p)) else t.filter(p)
17 }
18 }
19 //用foldRight实现
20 def filter_1(p: A => Boolean): Stream[A] = {
21 foldRight(empty[A]){(h,t) => if(p(h)) cons(h,t) else t}
22 }
23 (Stream(1,2,3,4,5) map {_ + 10}).toList //> res15: List[Int] = List(11, 12, 13, 14, 15)
24 (Stream(1,2,3,4,5) flatMap {x => Stream(x+10)}).toList
25 //> res16: List[Int] = List(11, 12, 13, 14, 15)
26 (Stream(1,2,3,4,5) flatMap_1 {x => Stream(x+10)}).toList
27 //> res17: List[Int] = List(11, 12, 13, 14, 15)
28 (Stream(1,2,3,4,5) filter {_ < 3}).toList //> res18: List[Int] = List(1, 2)
29 (Stream(1,2,3,4,5) filter_1 {_ < 3}).toList //> res19: List[Int] = List(1, 2)看来都备齐了。
我们再看看List与Stream还有什么别的值得关注的区别。先从一个List操作的例子开始：
1 scala> List(1,2,3,4) map (_ + 10) filter (_ % 2 == 0) map (_ * 3)
2 List(36,42)根据List的特性，每个操作都会立即完成，产生一个结果List，然后接着下一个操作。我们试着约化：
1 List(1,2,3,4) map (_ + 10) filter (_ % 2 == 0) map (_ * 3)
2 List(11,12,13,14) filter (_ % 2 == 0) map (_ * 3)
3 List(12,14) map (_ * 3)
4 List(36,42)实际上这个运算遍历（traverse）了List三次。一次map操作产生了中间List(11，12，13，14)，二次操作filter产生了List(12,14)，三次操作map产生最终结果List(36,42)。实际上我们如果把遍历这个List的方式变一下：变成每次走一个元素，连续对这个元素进行三次操作，直到走完整个List。这样我们在一个遍历过程就可以完成全部三个操作。Stream恰好是一个元素一个元素走的，因为下面的元素处于延后计算状态。我们试着用Stream来证明：
1 Stream(1,2,3,4).map(_ + 10).filter(_ % 2 == 0)
2 (11 #:: Stream(2,3,4).map(_ + 10)).filter(_ % 2 == 0)
3 Stream(2,3,4).map(_ + 10).filter(_ % 2 == 0)
4 (12 #:: Stream(3,4).map(_ + 10)).filter(_ % 2 == 0)
5 12 #:: Stream(3,4).map(_ + 10).filter(_ % 2 == 0)
6 12 #:: (13 #:: Stream(4).map(_ + 10)).filter(_ % 2 == 0)
7 12 #:: Stream(4).map(_ + 10).filter(_ % 2 == 0)
8 12 #:: (14 #:: Stream().map(_ + 10)).filter(_ % 2 == 0)
9 12 #:: 14 #:: Stream().map(_ + 10).filter(_ % 2 == 0)
10 12 #:: 14 #:: Stream()以上的#::是cons的操作符号。
