Java编程的逻辑 (92) - 函数式数据处理 (上)

上节我们介绍了Lambda表达式和函数式接口，本节探讨它们的应用，函数式数据处理，针对常见的集合数据处理，Java 8引入了一套新的类库，位于包java.util.stream下，称之为Stream API，这套API操作数据的思路，不同于我们在38节到55节介绍的容器类API，它们是函数式的，非常简洁、灵活、易读，具体有什么不同呢？由于内容较多，我们分为两节来介绍，本节先介绍一些基本的API，下节讨论一些高级功能。

基本概念

接口Stream类似于一个迭代器，但提供了更为丰富的操作，Stream API的主要操作就定义在该接口中。 Java 8给Collection接口增加了两个默认方法，它们可以返回一个Stream，如下所示：

default Stream<E> stream() {
    return StreamSupport.stream(spliterator(), false);
}

default Stream<E> parallelStream() {
    return StreamSupport.stream(spliterator(), true);
}

stream()返回的是一个顺序流，parallelStream()返回的是一个并行流。顺序流就是由一个线程执行操作。而并行流背后可能有多个线程并行执行，与之前介绍的并发技术不同，使用并行流不需要显式管理线程，使用方法与顺序流是一样的。

下面，我们主要针对顺序流，学习Stream接口，包括其用法和基本原理，随后我们再介绍下并行流。先来看一些简单的示例。

基本示例

上节演示时使用了学生类Student和学生列表List<Student> lists，本节继续使用它们。

基本过滤

返回学生列表中90分以上的，传统上的代码一般是这样的：

List<Student> above90List = new ArrayList<>();
for (Student t : students) {
    if (t.getScore() > 90) {
        above90List.add(t);
    }
}

使用Stream API，代码可以这样：

List<Student> above90List = students.stream()
        .filter(t->t.getScore()>90)
        .collect(Collectors.toList());

先通过stream()得到一个Stream对象，然后调用Stream上的方法，filter()过滤得到90分以上的，它的返回值依然是一个Stream，为了转换为List，调用了collect方法并传递了一个Collectors.toList()，表示将结果收集到一个List中。

代码更为简洁易读了，这种数据处理方式被称为函数式数据处理，与传统代码相比，它的特点是：

• 没有显式的循环迭代，循环过程被Stream的方法隐藏了
• 提供了声明式的处理函数，比如filter，它封装了数据过滤的功能，而传统代码是命令式的，需要一步步的操作指令
• 流畅式接口，方法调用链接在一起，清晰易读

基本转换

根据学生列表返回名称列表，传统上的代码一般是这样：

List<String> nameList = new ArrayList<>(students.size());
for (Student t : students) {
    nameList.add(t.getName());
}

使用Stream API，代码可以这样：

List<String> nameList = students.stream()
        .map(Student::getName)
        .collect(Collectors.toList());

这里使用了Stream的map函数，它的参数是一个Function函数式接口，这里传递了方法引用。       

基本的过滤和转换组合

返回90分以上的学生名称列表，传统上的代码一般是这样：

List<String> nameList = new ArrayList<>();
for (Student t : students) {
    if (t.getScore() > 90) {
        nameList.add(t.getName());
    }
}

使用函数式数据处理的思路，可以将这个问题分解为由两个基本函数实现：

1. 过滤：得到90分以上的学生列表
2. 转换：将学生列表转换为名称列表

使用Stream API，可以将基本函数filter()和map()结合起来，代码可以这样：

List<String> above90Names = students.stream()
        .filter(t->t.getScore()>90)
        .map(Student::getName)
        .collect(Collectors.toList());

这种组合利用基本函数、声明式实现集合数据处理功能的编程风格，就是函数式数据处理。

代码更为直观易读了，但你可能会担心它的性能有问题。filter()和map()都需要对流中的每个元素操作一次，一起使用会不会就需要遍历两次呢？答案是否定的，只需要一次。实际上，调用filter()和map()都不会执行任何实际的操作，它们只是在构建操作的流水线，调用collect才会触发实际的遍历执行，在一次遍历中完成过滤、转换以及收集结果的任务。

像filter和map这种不实际触发执行、用于构建流水线、返回Stream的操作被称为中间操作(intermediate operation)，而像collect这种触发实际执行、返回具体结果的操作被称为终端操作(terminal operation)。Stream API中还有更多的中间和终端操作，下面我们具体来看下。

中间操作

除了filter和map，Stream API的中间操作还有distinct, sorted, skip, limit, peek, mapToLong, mapToInt, mapToDouble, flatMap等，我们逐个来看下。

distinct

distinct返回一个新的Stream，过滤重复的元素，只留下唯一的元素，是否重复是根据equals方法来比较的，distinct可以与其他函数如filter, map结合使用。

比如，返回字符串列表中长度小于3的字符串、转换为小写、只保留唯一的，代码可以为：

List<String> list = Arrays.asList(new String[]{"abc","def","hello","Abc"});
List<String> retList = list.stream()
        .filter(s->s.length()<=3)
        .map(String::toLowerCase)
        .distinct()
        .collect(Collectors.toList());
System.out.println(retList);

输出为：

[abc, def]

虽然都是中间操作，但distinct与filter和map是不同的，filter和map都是无状态的，对于流中的每一个元素，它的处理都是独立的，处理后即交给流水线中的下一个操作，但distinct不同，它是有状态的，在处理过程中，它需要在内部记录之前出现过的元素，如果已经出现过，即重复元素，它就会过滤掉，不传递给流水线中的下一个操作。

对于顺序流，内部实现时，distinct操作会使用HashSet记录出现过的元素，如果流是有顺序的，需要保留顺序，会使用LinkedHashSet。

sorted

有两个sorted方法：

Stream<T> sorted()
Stream<T> sorted(Comparator<? super T> comparator)

它们都对流中的元素排序，都返回一个排序后的Stream，第一个方法假定元素实现了Comparable接口，第二个方法接受一个自定义的Comparator。

比如，过滤得到90分以上的学生，然后按分数从高到低排序，分数一样的，按名称排序，代码可以为：

List<Student> list = students.stream()
        .filter(t->t.getScore()>90)
        .sorted(Comparator.comparing(Student::getScore)
                .reversed()
                .thenComparing(Student::getName))
        .collect(Collectors.toList());

这里，使用了Comparator的comparing, reversed和thenComparing构建了Comparator。

与distinct一样，sorted也是一个有状态的中间操作，在处理过程中，需要在内部记录出现过的元素，与distinct不同的是，每碰到流中的一个元素，distinct都能立即做出处理，要么过滤，要么马上传递给下一个操作，但sorted不能，它需要先排序，为了排序，它需要先在内部数组中保存碰到的每一个元素，到流结尾时，再对数组排序，然后再将排序后的元素逐个传递给流水线中的下一个操作。

skip/limit

它们的定义为：

Stream<T> skip(long n)
Stream<T> limit(long maxSize)

skip跳过流中的n个元素，如果流中元素不足n个，返回一个空流，limit限制流的长度为maxSize。

比如，将学生列表按照分数排序，返回第3名到第5名，代码可以为：

List<Student> list = students.stream()
        .sorted(Comparator.comparing(
            Student::getScore).reversed())
        .skip(2)
        .limit(3)
        .collect(Collectors.toList());

skip和limit都是有状态的中间操作。对前n个元素，skip的操作就是过滤，对后面的元素，skip就是传递给流水线中的下一个操作。limit的一个特点是，它不需要处理流中的所有元素，只要处理的元素个数达到maxSize，后面的元素就不需要处理了，这种可以提前结束的操作被称为短路操作。

peek

peek的定义为：

Stream<T> peek(Consumer<? super T> action)

它返回的流与之前的流是一样的，没有变化，但它提供了一个Consumer，会将流中的每一个元素传给该Consumer。这个方法的主要目的是支持调试，可以使用该方法观察在流水线中流转的元素，比如：

List<String> above90Names = students.stream()
        .filter(t->t.getScore()>90)
        .peek(System.out::println)
        .map(Student::getName)
        .collect(Collectors.toList());

mapToLong/mapToInt/mapToDouble

map函数接受的参数是一个Function<T, R>，为避免装箱/拆箱，提高性能，Stream还有如下返回基本类型特定流的方法：

DoubleStream mapToDouble(ToDoubleFunction<? super T> mapper)
IntStream mapToInt(ToIntFunction<? super T> mapper)
LongStream mapToLong(ToLongFunction<? super T> mapper)

DoubleStream/IntStream/LongStream是基本类型特定的流，有一些专门的更为高效的方法。比如，求学生列表的分数总和，代码可以为：

double sum = students.stream()
        .mapToDouble(Student::getScore)
        .sum();

flatMap                

flatMap的定义为：

<R> Stream<R> flatMap(Function<? super T, ? extends Stream<? extends R>> mapper)

它接受一个函数mapper，对流中的每一个元素，mapper会将该元素转换为一个流Stream，然后把新生成流的每一个元素传递给下一个操作。比如：

List<String> lines = Arrays.asList(new String[]{
        "hello abc",
        "老马  编程"
    });
List<String> words = lines.stream()
        .flatMap(line -> Arrays.stream(line.split("\\s+")))
        .collect(Collectors.toList());
System.out.println(words);

这里的mapper将一行字符串按空白符分隔为了一个单词流，Arrays.stream可以将一个数组转换为一个流，输出为：

[hello, abc, 老马, 编程]

可以看出，实际上，flatMap完成了一个1到n的映射。

针对基本类型，flatMap还有如下类似方法：

DoubleStream flatMapToDouble(Function<? super T, ? extends DoubleStream> mapper)
IntStream flatMapToInt(Function<? super T, ? extends IntStream> mapper)
LongStream flatMapToLong(Function<? super T, ? extends LongStream> mapper)

终端操作

中间操作不触发实际的执行，返回值是Stream，而终端操作触发执行，返回一个具体的值，除了collect，Stream API的终端操作还有max, min, count, allMatch, anyMatch, noneMatch, findFirst, findAny, forEach, toArray, reduce等，我们逐个来看下。

max/min

max/min的定义为：

Optional<T> max(Comparator<? super T> comparator)
Optional<T> min(Comparator<? super T> comparator)

它们返回流中的最大值/最小值，值的注意的是，它的返回值类型是Optional<T>，而不是T。

java.util.Optional是Java 8引入的一个新类，它是一个泛型容器类，内部只有一个类型为T的单一变量value，可能为null，也可能不为null。Optional有什么用呢？它用于准确地传递程序的语义，它清楚地表明，其代表的值可能为null，程序员应该进行适当的处理。

Optional定义了一些方法，比如：

// value不为null时返回true
public boolean isPresent()
// 返回实际的值，如果为null，抛出异常NoSuchElementException
public T get()
// 如果value不为null，返回value，否则返回other
public T orElse(T other)
// 构建一个空的Optional，value为null
public static<T> Optional<T> empty()
// 构建一个非空的Optional, 参数value不能为null
public static <T> Optional<T> of(T value)
// 构建一个Optional，参数value可以为null，也可以不为null
public static <T> Optional<T> ofNullable(T value)

在max/min的例子中，通过声明返回值为Optional，我们就知道，具体的返回值不一定存在，这发生在流中不含任何元素的情况下。

看个简单的例子，返回分数最高的学生，代码可以为：

Student student = students.stream()
        .max(Comparator.comparing(Student::getScore).reversed())
        .get();

这里，假定students不为空。

count

count很简单，就是返回流中元素的个数。比如，统计大于90分的学生个数，代码可以为：

long above90Count = students.stream()
        .filter(t->t.getScore()>90)
        .count();

allMatch/anyMatch/noneMatch

这几个函数都接受一个谓词Predicate，返回一个boolean值，用于判定流中的元素是否满足一定的条件，它们的区别是：

• allMatch: 只有在流中所有元素都满足条件的情况下才返回true
• anyMatch: 只要流中有一个元素满足条件就返回true
• noneMatch: 只有流中所有元素都不满足条件才返回true

如果流为空，这几个函数的返回值都是true。

比如，判断是不是所有学生都及格了(不小于60分)，代码可以为：

boolean allPass = students.stream()
        .allMatch(t->t.getScore()>=60);

这几个操作都是短路操作，都不一定需要处理所有元素就能得出结果，比如，对于allMatch，只要有一个元素不满足条件，就能返回false。

findFirst/findAny

它们的定义为：

Optional<T> findFirst()
Optional<T> findAny()

它们的返回类型都是Optional，如果流为空，返回Optional.empty()。findFirst返回第一个元素，而findAny返回任一元素，它们都是短路操作。

随便找一个不及格的学生，代码可以为：

Optional<Student> student = students.stream()
        .filter(t->t.getScore()<60)
        .findAny();
if(student.isPresent()){
    // 不及格的学生....
}

forEach

有两个foreach方法：

void forEach(Consumer<? super T> action)
void forEachOrdered(Consumer<? super T> action)

它们都接受一个Consumer，对流中的每一个元素，传递元素给Consumer，区别在于，在并行流中，forEach不保证处理的顺序，而forEachOrdered会保证按照流中元素的出现顺序进行处理。

比如，逐行打印大于90分的学生，代码可以为：

students.stream()
        .filter(t->t.getScore()>90)
        .forEach(System.out::println);

toArray

toArray将流转换为数组，有两个方法：

Object[] toArray()
<A> A[] toArray(IntFunction<A[]> generator)

不带参数的toArray返回的数组类型为Object[]，这经常不是期望的结果，如果希望得到正确类型的数组，需要传递一个类型为IntFunction的generator，IntFunction的定义为：

public interface IntFunction<R> {
    R apply(int value);
}

generator接受的参数是流的元素个数，它应该返回对应大小的正确类型的数组。

比如，获取90分以上的学生数组，代码可以为：

Student[] above90Arr = students.stream()
        .filter(t->t.getScore()>90)
        .toArray(Student[]::new);

Student[]::new就是一个类型为IntFunction<Student[]>的generator。

reduce

reduce代表归约或者叫折叠，它是max/min/count的更为通用的函数，将流中的元素归约为一个值，有三个reduce函数： 

Optional<T> reduce(BinaryOperator<T> accumulator);
T reduce(T identity, BinaryOperator<T> accumulator);
<U> U reduce(U identity,
    BiFunction<U, ? super T, U> accumulator,
    BinaryOperator<U> combiner); 

第一个基本等同于调用：

boolean foundAny = false;
T result = null;
for (T element : this stream) {
    if (!foundAny) {
        foundAny = true;
        result = element;
    }
    else
        result = accumulator.apply(result, element);
}
return foundAny ? Optional.of(result) : Optional.empty();

比如，使用reduce求分数最高的学生，代码可以为：

Student topStudent = students.stream().reduce((accu, t) -> {
    if (accu.getScore() >= t.getScore()) {
        return accu;
    } else {
        return t;
    }
}).get();

第二个reduce函数多了一个identity参数，表示初始值，它基本等同于调用：

T result = identity;
for (T element : this stream)
    result = accumulator.apply(result, element)
return result;

第一个和第二个reduce的返回类型只能是流中元素的类型，而第三个更为通用，它的归约类型可以自定义，另外，它多了一个combiner参数，combiner用在并行流中，用于合并子线程的结果，对于顺序流，它基本等同于调用：

U result = identity;
for (T element : this stream)
    result = accumulator.apply(result, element)
return result;

注意与第二个reduce函数相区分，它的结果类型不是T，而是U。比如，使用reduce函数计算学生分数的和，代码可以为：

double sumScore = students.stream().reduce(0d,
        (sum, t) -> sum += t.getScore(),
        (sum1, sum2) -> sum1 += sum2
    );

以上，可以看出，reduce虽然更为通用，但比较费解，难以使用，一般情况，应该优先使用其他函数。

collect函数比reduce更为通用、强大和易用，关于它，我们下节再详细介绍。

构建流

前面我们提到，可以通过Collection接口的stream/parallelStream获取流，还有一些其他的方式可以获取流。

Arrays有一些stream方法，可以将数组或子数组转换为流，比如： 

public static IntStream stream(int[] array)
public static DoubleStream stream(double[] array, int startInclusive, int endExclusive)
public static <T> Stream<T> stream(T[] array)

比如，输出当前目录下所有普通文件的名字，代码可以为：

File[] files = new File(".").listFiles();
Arrays.stream(files)
    .filter(File::isFile)    
    .map(File::getName)
    .forEach(System.out::println);

Stream也有一些静态方法，可以构建流：

//返回一个空流
public static<T> Stream<T> empty()
//返回只包含一个元素t的流
public static<T> Stream<T> of(T t)
//返回包含多个元素values的流
public static<T> Stream<T> of(T... values)
//通过Supplier生成流，流的元素个数是无限的
public static<T> Stream<T> generate(Supplier<T> s)
//同样生成无限流，第一个元素为seed，第二个为f(seed)，第三个为f(f(seed))，依次类推
public static<T> Stream<T> iterate(final T seed, final UnaryOperator<T> f)

比如，输出10个随机数，代码可以为：

Stream.generate(()->Math.random())
    .limit(10)
    .forEach(System.out::println);

输出100个递增的奇数，代码可以为：

Stream.iterate(1, t->t+2)
    .limit(100)
    .forEach(System.out::println);

并行流

前面我们主要使用的是Collection的stream()方法，换做parallelStream()方法，就会使用并行流，接口方法都是通用的。但并行流内部会使用多线程，线程个数一般与系统的CPU核数一样，以充分利用CPU的计算能力。

进一步来说，并行流内部会使用Java 7引入的fork/join框架，简单来说，处理由fork和join两个阶段组成，fork就是将要处理的数据拆分为小块，多线程按小块进行并行计算，join就是将小块的计算结果进行合并，具体我们就不探讨了。使用并行流，不需要任何线程管理的代码，就能实现并行。

函数式数据处理思维

看的出来，使用Stream API处理数据集合，与直接使用容器类API处理数据的思路是完全不一样的。

流定义了很多数据处理的基本函数，对于一个具体的数据处理问题，解决的主要思路就是组合利用这些基本函数，实现期望的功能，这种思路就是函数式数据处理思维，相比直接利用容器类API的命令式思维，思考的层次更高。

Stream API的这种思路也不是新发明，它与数据库查询语言SQL是很像的，都是声明式地操作集合数据，很多函数都能在SQL中找到对应，比如filter对应SQL的where，sorted对应order by等。SQL一般都支持分组(group by)功能，Stream API也支持，但关于分组，我们下节再介绍。

Stream API也与各种基于Unix系统的管道命令类似，熟悉Unix系统的都知道，Unix有很多命令，大部分命令只是专注于完成一件事情，但可以通过管道的方式将多个命令链接起来，完成一些复杂的功能，比如：

cat nginx_access.log | awk '{print $1}' | sort | uniq -c | sort -rnk 1 | head -n 20

以上命令可以分析nginx访问日志，统计出访问次数最多的前20个IP地址及其访问次数。具体来说，cat命令输出nginx访问日志到流，一行为一个元素，awk输出行的第一列，这里为IP地址，sort按IP进行排序，"uniq -c"按IP统计计数，"sort -rnk 1"按计数从高到低排序，"head -n 20"输出前20行。

小结

本节初步介绍了Java 8引入的函数式数据处理类库，Stream API，它类似于Unix的管道命令，也类似于数据库查询语言SQL，通过组合利用基本函数，可以在更高的层次上思考问题，以声明式的方式简洁地实现期望的功能。

对于collect方法，本节只是演示了最基本的应用，它还有很多高级功能，比如实现类似SQL的group by功能，具体怎么实现？实现的原理是什么呢？