Java8 Stream reduce()

例子：
　　怎样用map和reduce方法数一数流中有多少个菜呢？
　　答案：要解决这个问题，你可以把流中每个元素都映射成数字1，然后用reduce求和。这相当于按顺序数流中的元素个数。

int count = menu.stream()
.map(d -> 1)
.reduce(0, (a, b) -> a + b);

　　map和reduce的连接通常称为map-reduce模式，因Google用它来进行网络搜索而出名，因为它很容易并行化。同时，内置count方法也可用来计算流中元素的个数：

long count = menu.stream().count();

归约方法的优势与并行化
相比于前面写的逐步迭代求和，使用reduce的好处在于，这里的迭代被内部迭代抽象掉了，这让内部实现
得以选择并行执行reduce操作。而迭代式求和例子要更新共享变量sum，这不是那么容易并行化的。如果你
加入了同步，很可能会发现线程竞争抵消了并行本应带来的性能提升！这种计算的并行化需要另一种办法：
将输入分块，分块求和，最后再合并起来。但这样的话代码看起来就完全不一样了。以后你会认识到使用
分支/合并框架来做是什么样子。但现在重要的是要认识到，可变的累加器模式对于并行化来说是死路一条。
你需要一种新的模式，这正是reduce所提供的。使用流来对所有的元素并行求和时，你的代码几乎不用修改：
stream()换成了parallelStream()。
int sum = numbers.parallelStream().reduce(0, Integer::sum);
但要并行执行这段代码也要付一定代价：传递给reduce的Lambda不能更改状态（如实例变量），而且操作
必须满足结合律才可以按任意顺序执行。

流操作：无状态和有状态
	你已经看到了很多的流操作。乍一看流操作简直是灵丹妙药，而且只要在从集合生成流的时候把Stream
换成parallelStream就可以实现并行。当然，对于许多应用来说确实是这样，就像前面的那些例子。你可以
把一张菜单变成流，用filter选出某一类的菜肴，然后对得到的流做map来对卡路里求和，最后reduce得到菜
单的总热量。这个流计算甚至可以并行进行。但这些操作的特性并不相同。它们需要操作的内部状态还是有些
问题的。
	诸如map或filter等操作会从输入流中获取每一个元素，并在输出流中得到0或1个结果。这些操作一般
都是无状态的：它们没有内部状态（假设用户提供的Lambda或方法引用没有内部可变状态）。
但诸如reduce、sum、max等操作需要内部状态来累积结果。在上面的情况下，内部状态很小。在我们的例
子里就是一个int或double。不管流中有多少元素要处理，内部状态都是有界的。
	相反，诸如sort或distinct等操作一开始都和filter和map差不多——都是接受一个流，再生成一个流
（中间操作），但有一个关键的区别。从流中排序和删除重复项时都需要知道先前的历史。例如，排序要求所有
元素都放入缓冲区后才能给输出流加入一个项目，这一操作的存储要求是无界的。要是流比较大或是无限的，
就可能会有问题（把质数流倒序会做什么呢？它应当返回最大的质数，但数学告诉我们它不存在）。我们
把这些操作叫作有状态操作。

中间操作和终端操作

操作	类型	返回类型	使用的类型/函数式接口	函数描述符
filter	中间	Stream<T>	Predicate<T>	T -> boolean
distinct	中间(有状态-无界)	Stream<T>
skip	中间(有状态-有界)	Stream<T>	long
limit	中间	Strem<T>	long
map	中间	Stream<R>	Function<T,R>	T -> R
flatMap	中间(有状态-无界)	Stream<R>	Function<T,Stream<R>>	T -> Stream<R>
sorted	终端	Stream<T>	Comparator<T>	(T, T) -> int
anyMatch	终端	boolean	Predicate<T>	T -> boolean
noneMatch	终端	boolean	Predicate<T>	T -> boolean
allMatch	终端	boolean	Predicate<T>	T -> boolean
findAny	终端	Optional<T>
findFirst	终端	Optional<T>
forEach	终端	void	Consumer<T>	T -> void
collect	终端	R	Collector<T,A,R>
reduce	终端(有状态-有界)	Optional<T>	BinaryOperator<T>	(T, T) -> T
count	终端	long