Stream 流的基本概念以及常见应用
流的基本概念
流是一种指定的计算视图。流遵循“做什么而非怎么做”的原则，它比循环更易于阅读。可以让你以一种声明的方式处理数据。
例如代码：有一个变量名为 words，它是一个集合，里面一本书中所有的单词，需要找出单词长度大于12的单词数量。
循环
long count = 0;
for (String w : words) {
if (w.length > 12) count++;
}
流
let count = words.stream()
.filter(w -> w.length > 12)
.count();
典型流程
由上述流示例代码可知，流的典型流程：
- 创建一个流：words.stream()
- 指定将初始化流转换为其它流的中间操作（可能包含多个步骤）：.filter(w -> w.length > 12)
- 应用终止操作，从而产生结果。这个操作会强制执行之前的惰性操作。从此之后，这个流就在也不能使用了：.count();
流与集合的区别
- 流并不存储元素，这些元素可能存储在底层的集合中，或者是按需生成的。
- 流的操作不会修改其数据源 例如，filter() 方法不会从新的流中移除元素，而是会生成一个新的流，其中不包含被过滤掉的元素。
- 流的操作是尽可能惰性执行的这意味着直至需要其结果时，操作才会执行。
流的常见应用
创建流
流有很多创建方式，举几个例子：
创建任意数量的流
Stream<String> word = Stream. of("1231254135".split("1"));
从数组的指定位置创建流
Stream<String> song = Array.stream(words, 1, 3);
创建空流
Stream<String> silence = Stream.emty();
Function
Supplier<T>
Stream<String> echos = Stream.generate(() －＞"Echo");
Stream<Double> randoms = Stream.generate(Math::random);
UnaryOperation<T>
Stream<BigInteger> intergers = Stream.iterate(BigInteger.ZERO, n -> n.add(BigInteger.ONE));
上述代码使用iterate方法创建了一个无限序列（0 1 2 3 4 5...）。第一个参数是种子 BigInteger.ZERO，第二个元素是 f(seed)，即1，下一个元素是f(f(seed))，依次类推。
Pattern
正则分割产生流。
Stream<String> words = Pattern.compile("\\PL+") .splitAsStream(contents);
操作流
常用的几个操作流的方法
filter
过滤流中的元素
Stream<String> longWords = words.stream().filter(w -> w.length > 12);
map
转换流中元素
// 流中所有的单词转换为小写
Stream<String> 1 owe caseWords = words.stream().map(String::toLowerCase);
// 流中所有的单词，通过截取字符串，转换为首字母
Stream<Strirng> firstLette = wordds.stream().map(s -> s.substring(O, 1));
flatMap
通过传入参数（Function<? super T , ? extends R> mapper），将流中所有的元素产生的结果连接在一起产生一个新的流。
例如：letters方法，将单词转为字母流返回。letters("boat")的返回值是：流["b", "o", "a", "t"]。
public static Stream<String> letters(String s) {
List<String> result = new ArrayList<>();
for (int i = 0; i < s.length); i++)
result.add(s.substring(i, i +1));
}
return result.stream();
}
使用words单词流调用letters方法，将会返回一个包含流的流Stream<Stream<String>>
Stream<Stream<String>> result = words.stream().map(w -> letters(w));
上面代码的结果并不是我们想要的，我们想要的是单词流转为字母流，而不是一个流中还包含另一个流。
这时就需要使用到 flatMap 方法，此方法会摊平流中包含的字母流。将流：[["y", “o”, "u", "r"], ["b", "o", "a", "t"]] 摊平为 ["y", “o”, "u", "r","b", "o", "a", "t"]。
Stream<String> result = words.stream().flatMap(w -> letters(w));
limit(n)
丢弃第 n 个位置之后的元素
// 截止到第 100 个元素，创建流
Stream<Double> randoms = Stream.generate(Math::random).limit(100)
skip(n)
与 limit 相反，丢弃第 n 个位置之前的元素
// 跳过第1个元素，创建流
Stream<String> words = Stream.of(content.split("\\PL+")).skip(1)
concat
连接流
Stream<String> word = Stream.concat(lettes("Hello"), letters("World"))
distinct
去重
Stream<String> uniqueWords = Stream.of("a", "a", "b").distinct()
sort
排序
// 按单词长度，从短到长升序
Stream<String> longesFirst = words.stream().sorted(Comparator.comparing(String::length))
peek
在每次访问一个元素时，都会调用peek方法中的函数，对于调试来说非常方便。
Object[] powers = Stream.iterate(1.O, p -> p * 2)
.peek(e -> System.out.println("Fetching " + e))
.limit(20).toArray();
简单约简/终止操作
约简是一种终结操作（ terminal operation ），它们会将流约简为可以在程序中使用的非流值。
count
返回流中元素的数量
max
返回流中最大的元素
min
返回流中最小的元素
findFirst
找到流中的第一个元素
findAny
找到流中的任意一个元素
anyMatch
根据指定参数（匹配条件），判断流中是否含有元素符合
allMatch
根据指定参数（匹配条件），判断流中是否所有元素符合
noneMatch
根据指定参数（匹配条件），判断流中是否所有元素都不符合
收集结果
forEach
此方法会将传入的函数，应用于每个元素
stream.forEach(System.out::println);
toArray
返回 Object[] 数组
String[] result = stream.toArray(String[]::new)
collect
将流中的元素收集到另一个目标
stream.collect(Collectors.tolist());
控制获得结果集的类型
TreeSet<String> result = stream.collect(Collectors.toCollection(TreeSet::new));
收集流中的字符串
String result = stream.collect(Collectors.joining())
元素间加入分隔符收集结果
String result = stream.collect(Collectors.joining("、"))
将其它类型对象，转为字符串收集
String result = stream.map(Object::toString).collect(Collectors.joining("、"))
如果要将流的结果约简为总和、平均值、最大值或最小值，可以使用summarizing(Int|Long|Double)方法中的某一个。
IntSummaryStatistics summary = stream.collect(Collectors.summarizingInt(String::length));
double averageWordLength = summary.getAverage();
double maxWordLength = summary.getMax();
收集至Map
使用 Collectors.toMap，可以将想要的元素收集至 Map 中
Map<Integer, String> idToName = people.collect(Collectors.toMap(Person::getId, Person::getName));
Map<Integer, Person> idToPerson = people.collect(Collectors.toMap(Person::getId, Function.identity()));
一个key，多个value
通过第三个参数，传入的函数，控制当一个key，存在多种value的情况。
Stream<Locale> locales = Stream.of(Locale.getAvailableLocales());
Map<String, String> languageNames = locales.collect(
Collectors.toMap(
Locale::getDisplayLanguage,
l -> l.getDisplayLanguage(l),
(existingValue, newValue) -> existingValue))
控制指定收集 TreeMap 类型数据
Map<Integer, Person> idToPerson = people.collect(
Collectors.toMap(
Person::getId,
Function.identity(),
(existingValue, newValue) -> { throw new IllegalStateException(); },
TreeMap::new));
对于每一个 toMap 方法，都有一个等价的可以产生并发映射表的 toConcurrentMap方法。单个并发映射表可以用于并行集合处理。当使用并行流时，共享的映射表比合并映射表要更高效。 注意，元素不再是按照流中的顺序收集的，但是通常这不会有什么问题
群组与分区
将需要相同值的元素，分成一组。可以使用 groupingBy 方法。
Stream<Locale> locales = Stream.of(Locale.getAvailableLocales());
Map<String, List<Locale>> countryToLocales = locales.collect(
Collectors.groupingBy(Locale::getCountry));
当要分组的 key 为 boolean 类型时，使用 partitioningBy 更加高效。
Map<Boolean, List<Locale>> englishAndOtherLocales = locales.collect(
Collectors.partitioningBy(l -> l.getLanguage().equals("en")));
List<Locale> englishLocales = englishAndOtherLocales.get(true);
如果调用 groupingByConcurrent 方法，就会在使用并行流时获得一个被并行组装的并行映射表。这与 toConcurrentMap 方法完全类似。
下游收集器
如果要控制分组的 value 时，需要提供一个“下游收集器（downstream collector）”。例如我们想收集的value 为 set 类型，而非列表list。
Map<String, Set<Locale>> countryToLocaleSet = locales.collect(Collectors.groupingBy(Locale::getCountry, Collectors.toSet()));
除了可以使用 toSet()，也可以使用 counting、summingInt、maxBy 等约简方法。
mapping
此方法会将传入的函数，应用到下游收集器的结果上。例如：还是上面的程序，我们想收集Map类型，其中key是字符串，value 是 Set<String> 类型。
import java.util.stream.Collectors.*
...
Map<String, Set<String>> countryToLanguages = locales.collect(
groupingBy(Locale::getDisplayCountry,
mapping(Locale::getDisplayLanguage,
toSet())));
约简操作
reduce 方法，支持自定义约简函数。
List<Integer> values = . . .;
// 计算流中元素的和
Optional<Integer> sum = values.stream().reduce(Integer::sum)
上述代码，如果流中的元素用V表示，具体在流中就会执行 V0 + V1 + V2 + ... Vi 个元素。如果流为空，就会返回一个 Optional 里面为空的对象。
在实践中，建议通过 toMap()，转为数字流，并使用其自带的求和、最大值、最小值等方法更容易。
基本类型流
在流库中，有针对基本数据类型使用的流类型。IntStream、LongStream、DoubleStream，用来直接存储基本类型值，而无需使用包装器，如果想要存储 short、char、byte、boolean，可以使用 IntStream ，而对于float ，可以使用 DoubleStream。
转为对象流
使用 boxed 方法
// 生成0~100范围内的基本类型流，并转为包装对象流
Stream<Integer> integers = IntStream.range(0, 100).boxed();
并行流
并行流就是将一个流的内容分成多个数据块，并用不同的线程分别处理每个不同数据块的流。
默认情况下，从有序集合（数组和列表）、范围、生成器和迭代产生的流，或者通过调用Stream.sorted 产生的流，都是有序的。它们的结果是按照原来元素的顺序累积的，因此是完全可预知的。如果运行相同的操作两次，将会得到完全相同的结果。
创建并行流
parallel()：产生一个与当前流中元素相的并行流
unordered()：产生一个与当前流中元素相 的无序流
parallel Stream()：用当前集合中的元素产生一个并行流
乱序执行
打印流中的每个元素。由于并行流使用不同线程处理不同数据块，那么线程的执行先后顺序也变的不可知，所以打印的数字乱序。
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9);
System.out.println("-------------stream---------------");
numbers.stream().forEach(out::print);
numbers.stream().forEach(out::print);
System.out.println("");
System.out.println("----------parallelStream----------");
numbers.parallelStream().forEach(out::print);
numbers.parallelStream().forEach(out::print);
-------------stream---------------
123456789
123456789
----------parallelStream----------
657893421
643157289
注意：不要将所有的流都转换为并行流，只有在对已经位于内存中的数据执行大量计算操作时，才应该使用并行流。
为了让并行流正常工作，需要满足大量的条件：
- 数据应该在内存中 必须等到数据到达是非常低效的。
- 流应该可以被高效地分成若干个子部分 由数组或平衡二叉树支撑的流都可以工作得很好，但是 Stream.iterate 返回的结果不行。
- 流操作的工作量应该具有较大的规模。如果总工作负载并不是很大，那么搭建并行计算时所付出的代价就没有什么意义。
- 流操作不应该被阻塞。
