Java 8 中的 Streams API 詳解

Streams 的背景，以及 Java 8 中的使用詳解

為什麼需要 Stream

Stream 作為 Java 8 的一大亮點，它與 java.io 包裡的 InputStream 和 OutputStream 是完全不同的概念。它也不同於 StAX 對 XML 解析的 Stream，也不是 Amazon Kinesis 對大資料實時處理的 Stream。Java 8 中的 Stream 是對集合（Collection）物件功能的增強，它專注於對集合物件進行各種非常便利、高效的聚合操作（aggregate operation），或者大批量資料操作 (bulk data operation)。

Stream API 藉助於同樣新出現的 Lambda 表示式，極大的提高程式設計效率和程式可讀性。同時它提供序列和並行兩種模式進行匯聚操作，併發模式能夠充分利用多核處理器的優勢，使用 fork/join 並行方式來拆分任務和加速處理過程。通常編寫並行程式碼很難而且容易出錯, 但使用 Stream API 無需編寫一行多執行緒的程式碼，就可以很方便地寫出高效能的併發程式。所以說，Java 8 中首次出現的 java.util.stream 是一個函式式語言+多核時代綜合影響的產物。

什麼是聚合操作

在傳統的 J2EE 應用中，Java 程式碼經常不得不依賴於關係型資料庫的聚合操作來完成諸如：

• 客戶每月平均消費金額
• 最昂貴的在售商品
• 本週完成的有效訂單（排除了無效的）
• 取十個資料樣本作為首頁推薦

這類的操作。

但在當今這個資料大爆炸的時代，在資料來源多樣化、資料海量化的今天，很多時候不得不脫離 RDBMS，或者以底層返回的資料為基礎進行更上層的資料統計。而 Java 的集合 API 中，僅僅有極少量的輔助型方法，更多的時候是程式設計師需要用 Iterator 來遍歷集合，完成相關的聚合應用邏輯。這是一種遠不夠高效、笨拙的方法。在 Java 7 中，如果要發現 type 為 grocery 的所有交易，然後返回以交易值降序排序好的交易 ID 集合，我們需要這樣寫：

清單 1. Java 7 的排序、取值實現

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15

List<Transaction> groceryTransactions = new Arraylist<>(); for(Transaction t: transactions){  if(t.getType() == Transaction.GROCERY){  groceryTransactions.add(t);  } } Collections.sort(groceryTransactions, new Comparator(){  public int compare(Transaction t1, Transaction t2){  return t2.getValue().compareTo(t1.getValue());  } }); List<Integer> transactionIds = new ArrayList<>(); for(Transaction t: groceryTransactions){  transactionsIds.add(t.getId()); }

而在 Java 8 使用 Stream，程式碼更加簡潔易讀；而且使用併發模式，程式執行速度更快。

清單 2. Java 8 的排序、取值實現

1 2 3 4 5

List<Integer> transactionsIds = transactions.parallelStream().  filter(t -> t.getType() == Transaction.GROCERY).  sorted(comparing(Transaction::getValue).reversed()).  map(Transaction::getId).  collect(toList());

Stream 總覽

什麼是流

Stream 不是集合元素，它不是資料結構並不儲存資料，它是有關演算法和計算的，它更像一個高階版本的 Iterator。原始版本的 Iterator，使用者只能顯式地一個一個遍歷元素並對其執行某些操作；高階版本的 Stream，使用者只要給出需要對其包含的元素執行什麼操作，比如 “過濾掉長度大於 10 的字串”、“獲取每個字串的首字母”等，Stream 會隱式地在內部進行遍歷，做出相應的資料轉換。

Stream 就如同一個迭代器（Iterator），單向，不可往復，資料只能遍歷一次，遍歷過一次後即用盡了，就好比流水從面前流過，一去不復返。

而和迭代器又不同的是，Stream 可以並行化操作，迭代器只能命令式地、序列化操作。顧名思義，當使用序列方式去遍歷時，每個 item 讀完後再讀下一個 item。而使用並行去遍歷時，資料會被分成多個段，其中每一個都在不同的執行緒中處理，然後將結果一起輸出。Stream 的並行操作依賴於 Java7 中引入的 Fork/Join 框架（JSR166y）來拆分任務和加速處理過程。Java 的並行 API 演變歷程基本如下：

1. 1.0-1.4 中的 java.lang.Thread
2. 5.0 中的 java.util.concurrent
3. 6.0 中的 Phasers 等
4. 7.0 中的 Fork/Join 框架
5. 8.0 中的 Lambda

Stream 的另外一大特點是，資料來源本身可以是無限的。

流的構成

當我們使用一個流的時候，通常包括三個基本步驟：

獲取一個數據源（source）→ 資料轉換→執行操作獲取想要的結果，每次轉換原有 Stream 物件不改變，返回一個新的 Stream 物件（可以有多次轉換），這就允許對其操作可以像鏈條一樣排列，變成一個管道，如下圖所示。

圖 1. 流管道 (Stream Pipeline) 的構成

有多種方式生成 Stream Source：

• 從 Collection 和陣列

• • Collection.stream()
  • Collection.parallelStream()
  • Arrays.stream(T array) or Stream.of()
  從 BufferedReader
  • java.io.BufferedReader.lines()

• 靜態工廠

• java.util.stream.IntStream.range()
• java.nio.file.Files.walk()

• 自己構建

• • java.util.Spliterator
  其它
  • Random.ints()
  • BitSet.stream()
  • Pattern.splitAsStream(java.lang.CharSequence)
  • JarFile.stream()

流的操作型別分為兩種：

• Intermediate：一個流可以後面跟隨零個或多個 intermediate 操作。其目的主要是開啟流，做出某種程度的資料對映/過濾，然後返回一個新的流，交給下一個操作使用。這類操作都是惰性化的（lazy），就是說，僅僅呼叫到這類方法，並沒有真正開始流的遍歷。
• Terminal：一個流只能有一個 terminal 操作，當這個操作執行後，流就被使用“光”了，無法再被操作。所以這必定是流的最後一個操作。Terminal 操作的執行，才會真正開始流的遍歷，並且會生成一個結果，或者一個 side effect。

在對於一個 Stream 進行多次轉換操作 (Intermediate 操作)，每次都對 Stream 的每個元素進行轉換，而且是執行多次，這樣時間複雜度就是 N（轉換次數）個 for 迴圈裡把所有操作都做掉的總和嗎？其實不是這樣的，轉換操作都是 lazy 的，多個轉換操作只會在 Terminal 操作的時候融合起來，一次迴圈完成。我們可以這樣簡單的理解，Stream 裡有個操作函式的集合，每次轉換操作就是把轉換函式放入這個集合中，在 Terminal 操作的時候迴圈 Stream 對應的集合，然後對每個元素執行所有的函式。

還有一種操作被稱為 short-circuiting。用以指：

• 對於一個 intermediate 操作，如果它接受的是一個無限大（infinite/unbounded）的 Stream，但返回一個有限的新 Stream。
• 對於一個 terminal 操作，如果它接受的是一個無限大的 Stream，但能在有限的時間計算出結果。

當操作一個無限大的 Stream，而又希望在有限時間內完成操作，則在管道內擁有一個 short-circuiting 操作是必要非充分條件。

清單 3. 一個流操作的示例

1 2 3 4

int sum = widgets.stream() .filter(w -> w.getColor() == RED)  .mapToInt(w -> w.getWeight())  .sum();

stream() 獲取當前小物件的 source，filter 和 mapToInt 為 intermediate 操作，進行資料篩選和轉換，最後一個 sum() 為 terminal 操作，對符合條件的全部小物件作重量求和。

流的使用詳解

簡單說，對 Stream 的使用就是實現一個 filter-map-reduce 過程，產生一個最終結果，或者導致一個副作用（side effect）。

流的構造與轉換

下面提供最常見的幾種構造 Stream 的樣例。

清單 4. 構造流的幾種常見方法

1 2 3 4 5 6 7 8 9

// 1. Individual values Stream stream = Stream.of("a", "b", "c"); // 2. Arrays String [] strArray = new String[] {"a", "b", "c"}; stream = Stream.of(strArray); stream = Arrays.stream(strArray); // 3. Collections List<String> list = Arrays.asList(strArray); stream = list.stream();

需要注意的是，對於基本數值型，目前有三種對應的包裝型別 Stream：

IntStream、LongStream、DoubleStream。當然我們也可以用 Stream<Integer>、Stream<Long> >、Stream<Double>，但是 boxing 和 unboxing 會很耗時，所以特別為這三種基本數值型提供了對應的 Stream。

Java 8 中還沒有提供其它數值型 Stream，因為這將導致擴增的內容較多。而常規的數值型聚合運算可以通過上面三種 Stream 進行。

清單 5. 數值流的構造

1 2 3

IntStream.of(new int[]{1, 2, 3}).forEach(System.out::println); IntStream.range(1, 3).forEach(System.out::println); IntStream.rangeClosed(1, 3).forEach(System.out::println);

清單 6. 流轉換為其它資料結構

1 2 3 4 5 6 7 8 9

// 1. Array String[] strArray1 = stream.toArray(String[]::new); // 2. Collection List<String> list1 = stream.collect(Collectors.toList()); List<String> list2 = stream.collect(Collectors.toCollection(ArrayList::new)); Set set1 = stream.collect(Collectors.toSet()); Stack stack1 = stream.collect(Collectors.toCollection(Stack::new)); // 3. String String str = stream.collect(Collectors.joining()).toString();

一個 Stream 只可以使用一次，上面的程式碼為了簡潔而重複使用了數次。

流的操作

接下來，當把一個數據結構包裝成 Stream 後，就要開始對裡面的元素進行各類操作了。常見的操作可以歸類如下。

• Intermediate：

map (mapToInt, flatMap 等)、 filter、 distinct、 sorted、 peek、 limit、 skip、 parallel、 sequential、 unordered

• Terminal：

forEach、 forEachOrdered、 toArray、 reduce、 collect、 min、 max、 count、 anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 iterator

• Short-circuiting：

anyMatch、 allMatch、 noneMatch、 findFirst、 findAny、 limit

我們下面看一下 Stream 的比較典型用法。

map/flatMap

我們先來看 map。如果你熟悉 scala 這類函式式語言，對這個方法應該很瞭解，它的作用就是把 input Stream 的每一個元素，對映成 output Stream 的另外一個元素。

清單 7. 轉換大寫

1 2 3

List<String> output = wordList.stream(). map(String::toUpperCase). collect(Collectors.toList());

這段程式碼把所有的單詞轉換為大寫。

清單 8. 平方數

1 2 3 4

List<Integer> nums = Arrays.asList(1, 2, 3, 4); List<Integer> squareNums = nums.stream(). map(n -> n * n). collect(Collectors.toList());

這段程式碼生成一個整數 list 的平方數 {1, 4, 9, 16}。

從上面例子可以看出，map 生成的是個 1:1 對映，每個輸入元素，都按照規則轉換成為另外一個元素。還有一些場景，是一對多對映關係的，這時需要 flatMap。

清單 9. 一對多

1 2 3 4 5 6 7

Stream<List<Integer>> inputStream = Stream.of(  Arrays.asList(1),  Arrays.asList(2, 3),  Arrays.asList(4, 5, 6)  ); Stream<Integer> outputStream = inputStream. flatMap((childList) -> childList.stream());

flatMap 把 input Stream 中的層級結構扁平化，就是將最底層元素抽出來放到一起，最終 output 的新 Stream 裡面已經沒有 List 了，都是直接的數字。

filter

filter 對原始 Stream 進行某項測試，通過測試的元素被留下來生成一個新 Stream。

清單 10. 留下偶數

1 2 3

Integer[] sixNums = {1, 2, 3, 4, 5, 6}; Integer[] evens = Stream.of(sixNums).filter(n -> n%2 == 0).toArray(Integer[]::new);

經過條件“被 2 整除”的 filter，剩下的數字為 {2, 4, 6}。

清單 11. 把單詞挑出來

1 2 3 4

List<String> output = reader.lines().  flatMap(line -> Stream.of(line.split(REGEXP))).  filter(word -> word.length() > 0).  collect(Collectors.toList());

這段程式碼首先把每行的單詞用 flatMap 整理到新的 Stream，然後保留長度不為 0 的，就是整篇文章中的全部單詞了。

forEach

forEach 方法接收一個 Lambda 表示式，然後在 Stream 的每一個元素上執行該表示式。

清單 12. 列印姓名（forEach 和 pre-java8 的對比）

1 2 3 4 5 6 7 8 9 10

// Java 8 roster.stream()  .filter(p -> p.getGender() == Person.Sex.MALE)  .forEach(p -> System.out.println(p.getName())); // Pre-Java 8 for (Person p : roster) {  if (p.getGender() == Person.Sex.MALE) {  System.out.println(p.getName());  } }

對一個人員集合遍歷，找出男性並列印姓名。可以看出來，forEach 是為 Lambda 而設計的，保持了最緊湊的風格。而且 Lambda 表示式本身是可以重用的，非常方便。當需要為多核系統優化時，可以 parallelStream().forEach()，只是此時原有元素的次序沒法保證，並行的情況下將改變序列時操作的行為，此時 forEach 本身的實現不需要調整，而 Java8 以前的 for 迴圈 code 可能需要加入額外的多執行緒邏輯。

但一般認為，forEach 和常規 for 迴圈的差異不涉及到效能，它們僅僅是函式式風格與傳統 Java 風格的差別。

另外一點需要注意，forEach 是 terminal 操作，因此它執行後，Stream 的元素就被“消費”掉了，你無法對一個 Stream 進行兩次 terminal 運算。下面的程式碼是錯誤的：

1 2	stream.forEach(element -> doOneThing(element)); stream.forEach(element -> doAnotherThing(element));

相反，具有相似功能的 intermediate 操作 peek 可以達到上述目的。如下是出現在該 api javadoc 上的一個示例。

清單 13. peek 對每個元素執行操作並返回一個新的 Stream

1 2 3 4 5 6

Stream.of("one", "two", "three", "four")  .filter(e -> e.length() > 3)  .peek(e -> System.out.println("Filtered value: " + e))  .map(String::toUpperCase)  .peek(e -> System.out.println("Mapped value: " + e))  .collect(Collectors.toList());

forEach 不能修改自己包含的本地變數值，也不能用 break/return 之類的關鍵字提前結束迴圈。

findFirst

這是一個 termimal 兼 short-circuiting 操作，它總是返回 Stream 的第一個元素，或者空。

這裡比較重點的是它的返回值型別：Optional。這也是一個模仿 Scala 語言中的概念，作為一個容器，它可能含有某值，或者不包含。使用它的目的是儘可能避免 NullPointerException。

清單 14. Optional 的兩個用例

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21

String strA = " abcd ", strB = null; print(strA); print(""); print(strB); getLength(strA); getLength(""); getLength(strB); public static void print(String text) {  // Java 8  Optional.ofNullable(text).ifPresent(System.out::println);  // Pre-Java 8  if (text != null) {  System.out.println(text);  }  } public static int getLength(String text) {  // Java 8 return Optional.ofNullable(text).map(String::length).orElse(-1);  // Pre-Java 8 // return if (text != null) ? text.length() : -1;  };

在更復雜的 if (xx != null) 的情況中，使用 Optional 程式碼的可讀性更好，而且它提供的是編譯時檢查，能極大的降低 NPE 這種 Runtime Exception 對程式的影響，或者迫使程式設計師更早的在編碼階段處理空值問題，而不是留到執行時再發現和除錯。

Stream 中的 findAny、max/min、reduce 等方法等返回 Optional 值。還有例如 IntStream.average() 返回 OptionalDouble 等等。

reduce

這個方法的主要作用是把 Stream 元素組合起來。它提供一個起始值（種子），然後依照運算規則（BinaryOperator），和前面 Stream 的第一個、第二個......第 n 個元素組合。從這個意義上說，字串拼接、數值的 sum、min、max、average 都是特殊的 reduce。例如 Stream 的 sum 就相當於

Integer sum = integers.reduce(0, (a, b) -> a+b); 或

Integer sum = integers.reduce(0, Integer::sum);

也有沒有起始值的情況，這時會把 Stream 的前面兩個元素組合起來，返回的是 Optional。

清單 15. reduce 的用例

1 2 3 4 5 6 7 8 9 10 11 12

// 字串連線，concat = "ABCD" String concat = Stream.of("A", "B", "C", "D").reduce("", String::concat); // 求最小值，minValue = -3.0 double minValue = Stream.of(-1.5, 1.0, -3.0, -2.0).reduce(Double.MAX_VALUE, Double::min); // 求和，sumValue = 10, 有起始值 int sumValue = Stream.of(1, 2, 3, 4).reduce(0, Integer::sum); // 求和，sumValue = 10, 無起始值 sumValue = Stream.of(1, 2, 3, 4).reduce(Integer::sum).get(); // 過濾，字串連線，concat = "ace" concat = Stream.of("a", "B", "c", "D", "e", "F").  filter(x -> x.compareTo("Z") > 0).  reduce("", String::concat);

上面程式碼例如第一個示例的 reduce()，第一個引數（空白字元）即為起始值，第二個引數（String::concat）為 BinaryOperator。這類有起始值的 reduce() 都返回具體的物件。而對於第四個示例沒有起始值的 reduce()，由於可能沒有足夠的元素，返回的是 Optional，請留意這個區別。

limit/skip

limit 返回 Stream 的前面 n 個元素；skip 則是扔掉前 n 個元素（它是由一個叫 subStream 的方法改名而來）。

清單 16. limit 和 skip 對執行次數的影響

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

public void testLimitAndSkip() {  List<Person> persons = new ArrayList();  for (int i = 1; i <= 10000; i++) {  Person person = new Person(i, "name" + i);  persons.add(person);  } List<String> personList2 = persons.stream(). map(Person::getName).limit(10).skip(3).collect(Collectors.toList());  System.out.println(personList2); } private class Person {  public int no;  private String name;  public Person (int no, String name) {  this.no = no;  this.name = name;  }  public String getName() {  System.out.println(name);  return name;  } }

輸出結果為：

1 2 3 4 5 6 7 8 9 10 11

name1 name2 name3 name4 name5 name6 name7 name8 name9 name10 [name4, name5, name6, name7, name8, name9, name10]

這是一個有 10，000 個元素的 Stream，但在 short-circuiting 操作 limit 和 skip 的作用下，管道中 map 操作指定的 getName() 方法的執行次數為 limit 所限定的 10 次，而最終返回結果在跳過前 3 個元素後只有後面 7 個返回。

有一種情況是 limit/skip 無法達到 short-circuiting 目的的，就是把它們放在 Stream 的排序操作後，原因跟 sorted 這個 intermediate 操作有關：此時系統並不知道 Stream 排序後的次序如何，所以 sorted 中的操作看上去就像完全沒有被 limit 或者 skip 一樣。

清單 17. limit 和 skip 對 sorted 後的執行次數無影響

1 2 3 4 5 6 7 8

List<Person> persons = new ArrayList();  for (int i = 1; i <= 5; i++) {  Person person = new Person(i, "name" + i);  persons.add(person);  } List<Person> personList2 = persons.stream().sorted((p1, p2) -> p1.getName().compareTo(p2.getName())).limit(2).collect(Collectors.toList()); System.out.println(personList2);

上面的示例對清單 13 做了微調，首先對 5 個元素的 Stream 排序，然後進行 limit 操作。輸出結果為：

1 2 3 4 5 6 7 8 9

name2 name1 name3 name2 name4 name3 name5 name4 [[email protected]7d, [email protected]]

即雖然最後的返回元素數量是 2，但整個管道中的 sorted 表示式執行次數沒有像前面例子相應減少。

最後有一點需要注意的是，對一個 parallel 的 Steam 管道來說，如果其元素是有序的，那麼 limit 操作的成本會比較大，因為它的返回物件必須是前 n 個也有一樣次序的元素。取而代之的策略是取消元素間的次序，或者不要用 parallel Stream。

sorted

對 Stream 的排序通過 sorted 進行，它比陣列的排序更強之處在於你可以首先對 Stream 進行各類 map、filter、limit、skip 甚至 distinct 來減少元素數量後，再排序，這能幫助程式明顯縮短執行時間。我們對清單 14 進行優化：

清單 18. 優化：排序前進行 limit 和 skip

1 2 3 4 5 6 7

List<Person> persons = new ArrayList();  for (int i = 1; i <= 5; i++) {  Person person = new Person(i, "name" + i);  persons.add(person);  } List<Person> personList2 = persons.stream().limit(2).sorted((p1, p2) -> p1.getName().compareTo(p2.getName())).collect(Collectors.toList()); System.out.println(personList2);

結果會簡單很多：

1 2 3

name2 name1 [[email protected], [email protected]]

當然，這種優化是有 business logic 上的侷限性的：即不要求排序後再取值。

min/max/distinct

min 和 max 的功能也可以通過對 Stream 元素先排序，再 findFirst 來實現，但前者的效能會更好，為 O(n)，而 sorted 的成本是 O(n log n)。同時它們作為特殊的 reduce 方法被獨立出來也是因為求最大最小值是很常見的操作。

清單 19. 找出最長一行的長度

1 2 3 4 5 6 7

BufferedReader br = new BufferedReader(new FileReader("c:\\SUService.log")); int longest = br.lines().  mapToInt(String::length).  max().  getAsInt(); br.close(); System.out.println(longest);

下面的例子則使用 distinct 來找出不重複的單詞。

清單 20. 找出全文的單詞，轉小寫，並排序

1 2 3 4 5 6 7 8 9

List<String> words = br.lines().  flatMap(line -> Stream.of(line.split(" "))).  filter(word -> word.length() > 0).  map(String::toLowerCase).  distinct().  sorted().  collect(Collectors.toList()); br.close(); System.out.println(words);

Match

Stream 有三個 match 方法，從語義上說：

• allMatch：Stream 中全部元素符合傳入的 predicate，返回 true
• anyMatch：Stream 中只要有一個元素符合傳入的 predicate，返回 true
• noneMatch：Stream 中沒有一個元素符合傳入的 predicate，返回 true

它們都不是要遍歷全部元素才能返回結果。例如 allMatch 只要一個元素不滿足條件，就 skip 剩下的所有元素，返回 false。對清單 13 中的 Person 類稍做修改，加入一個 age 屬性和 getAge 方法。

清單 21. 使用 Match

1 2 3 4 5 6 7 8 9 10 11 12

List<Person> persons = new ArrayList(); persons.add(new Person(1, "name" + 1, 10)); persons.add(new Person(2, "name" + 2, 21)); persons.add(new Person(3, "name" + 3, 34)); persons.add(new Person(4, "name" + 4, 6)); persons.add(new Person(5, "name" + 5, 55)); boolean isAllAdult = persons.stream().  allMatch(p -> p.getAge() > 18); System.out.println("All are adult? " + isAllAdult); boolean isThereAnyChild = persons.stream().  anyMatch(p -> p.getAge() < 12); System.out.println("Any child? " + isThereAnyChild);

輸出結果：

1 2	All are adult? false Any child? true

進階：自己生成流

Stream.generate

通過實現 Supplier 介面，你可以自己來控制流的生成。這種情形通常用於隨機數、常量的 Stream，或者需要前後元素間維持著某種狀態資訊的 Stream。把 Supplier 例項傳遞給 Stream.generate() 生成的 Stream，預設是序列（相對 parallel 而言）但無序的（相對 ordered 而言）。由於它是無限的，在管道中，必須利用 limit 之類的操作限制 Stream 大小。

清單 22. 生成 10 個隨機整數

1 2 3 4 5 6

Random seed = new Random(); Supplier<Integer> random = seed::nextInt; Stream.generate(random).limit(10).forEach(System.out::println); //Another way IntStream.generate(() -> (int) (System.nanoTime() % 100)). limit(10).forEach(System.out::println);

Stream.generate() 還接受自己實現的 Supplier。例如在構造海量測試資料的時候，用某種自動的規則給每一個變數賦值；或者依據公式計算 Stream 的每個元素值。這些都是維持狀態資訊的情形。

清單 23. 自實現 Supplier

1 2 3 4 5 6 7 8 9 10 11

Stream.generate(new PersonSupplier()). limit(10). forEach(p -> System.out.println(p.getName() + ", " + p.getAge())); private class PersonSupplier implements Supplier<Person> {  private int index = 0;  private Random random = new Random();  @Override  public Person get() {  return new Person(index++, "StormTestUser" + index, random.nextInt(100));  } }

輸出結果：

1 2 3 4 5 6 7 8 9 10

StormTestUser1, 9 StormTestUser2, 12 StormTestUser3, 88 StormTestUser4, 51 StormTestUser5, 22 StormTestUser6, 28 StormTestUser7, 81 StormTestUser8, 51 StormTestUser9, 4 StormTestUser10, 76

Stream.iterate

iterate 跟 reduce 操作很像，接受一個種子值，和一個 UnaryOperator（例如 f）。然後種子值成為 Stream 的第一個元素，f(seed) 為第二個，f(f(seed)) 第三個，以此類推。

清單 24. 生成一個等差數列

1	Stream.iterate(0, n -> n + 3).limit(10). forEach(x -> System.out.print(x + " "));.

輸出結果：

1	0 3 6 9 12 15 18 21 24 27

與 Stream.generate 相仿，在 iterate 時候管道必須有 limit 這樣的操作來限制 Stream 大小。

進階：用 Collectors 來進行 reduction 操作

java.util.stream.Collectors 類的主要作用就是輔助進行各類有用的 reduction 操作，例如轉變輸出為 Collection，把 Stream 元素進行歸組。

groupingBy/partitioningBy

清單 25. 按照年齡歸組

1 2 3 4 5 6 7 8

Map<Integer, List<Person>> personGroups = Stream.generate(new PersonSupplier()).  limit(100).  collect(Collectors.groupingBy(Person::getAge)); Iterator it = personGroups.entrySet().iterator(); while (it.hasNext()) {  Map.Entry<Integer, List<Person>> persons = (Map.Entry) it.next();  System.out.println("Age " + persons.getKey() + " = " + persons.getValue().size()); }

上面的 code，首先生成 100 人的資訊，然後按照年齡歸組，相同年齡的人放到同一個 list 中，可以看到如下的輸出：

1 2 3 4 5 6 7

Age 0 = 2 Age 1 = 2 Age 5 = 2 Age 8 = 1 Age 9 = 1 Age 11 = 2 ……

清單 26. 按照未成年人和成年人歸組

1 2 3 4 5

Map<Boolean, List<Person>> children = Stream.generate(new PersonSupplier()).  limit(100).  collect(Collectors.partitioningBy(p -> p.getAge() < 18)); System.out.println("Children number: " + children.get(true).size()); System.out.println("Adult number: " + children.get(false).size());

輸出結果：

1 2	Children number: 23 Adult number: 77

在使用條件“年齡小於 18”進行分組後可以看到，不到 18 歲的未成年人是一組，成年人是另外一組。partitioningBy 其實是一種特殊的 groupingBy，它依照條件測試的是否兩種結果來構造返回的資料結構，get(true) 和 get(false) 能即為全部的元素物件。

結束語

總之，Stream 的特性可以歸納為：

• 不是資料結構

• 它沒有內部儲存，它只是用操作管道從 source（資料結構、陣列、generator function、IO channel）抓取資料。
• 它也絕不修改自己所封裝的底層資料結構的資料。例如 Stream 的 filter 操作會產生一個不包含被過濾元素的新 Stream，而不是從 source 刪除那些元素。

• 所有 Stream 的操作必須以 lambda 表示式為引數
• 不支援索引訪問

• 你可以請求第一個元素，但無法請求第二個，第三個，或最後一個。不過請參閱下一項。

• 很容易生成陣列或者 List
• 惰性化

• 很多 Stream 操作是向後延遲的，一直到它弄清楚了最後需要多少資料才會開始。
• Intermediate 操作永遠是惰性化的。

• 並行能力

• 當一個 Stream 是並行化的，就不需要再寫多執行緒程式碼，所有對它的操作會自動並行進行的。

• 可以是無限的
  • 集合有固定大小，Stream 則不必。limit(n) 和 findFirst() 這類的 short-circuiting 操作可以對無限的 Stream 進行運算並很快完成。