java8 Stream之原理

Stream

java8的Stream很重要，spring-reactor里面用到reactor-core,而java8的stream与之很类似，搞懂了再看reactor-core一定事半功倍。
先看一下它的强大，这里只是冰山一角:
从List<Student> 列表中取出name，将name组成一个List。
老代码

List<String> nameList = new ArrayList();
if(null != list){
	for(Student stu : list){
		nameList.add(stu.getName());
	}
}

JAVA8

List<String> nameList = Optional.ofNullable(list).orElse(Collections.emptyList()).stream()
                 .map(Stu::getName).collect(Collectors.toList());

Stream.of 建立Stream

这里给你们演示一下经过Stream.of建立Stream。
常见的集合经过stream()方法均可以建立Stream。 其实他们最终都是调用如下方法建立的。

public static <T> Stream<T> stream(Spliterator<T> spliterator, boolean parallel) {
        Objects.requireNonNull(spliterator);
        return new ReferencePipeline.Head<>(spliterator,
                                            StreamOpFlag.fromCharacteristics(spliterator),
                                            parallel);
    }

Stream.of有两种建立Stream的方法。
第一种

Stream.of("a1")

第二种

Stream.of("a1","a2"); //这种经过Arrays.stream 构建

这里介绍两个相关的类:

若是是单个元素，直接使用Spliterator进行构建。 若是是多个元素，会有一个优化，使用SpineBuffer构建。
若是是大数组，使用SpineBuffer，小数组是使用ArrayList。 如何使用SpineBuffer构建?

Stream.builder().add("a1").add("a2").build();

Stream 相关概念

stream的操做分为两种：
一种是中间操做，就是不须要结果，只须要记录这个过程，通常返回Stream对象都是属于这种
一种是终极操做，就是当即须要返回结果，通常返回非Stream对象，都是属于这种。
stream的状态分为三种：
第一种:Head,第一次建立的时候就是这种
第二种:Stateless，无状态，每一个对象的操做是独立的。
第三种:Stateful，有状态，须要联合多个象才能得出结果。
stream操做特性:
操做特性是指：该stream有固定大小，大小不固定，操做有序，数据有序等。

Stream.filter

顾名思义：对 Stream进行filter,而后返回新的Stream。 由前一节咱们知道，stream的具体数据存储在Spliterator中。而它自己能够理解为只是一个算法。
filter只是一个中间操做，咱们只须要记录这一个过程就OK了。而后返回新的Stream。若是再次调用fileter，会再次返回一个新Stream。

上面是一个流程图，Sink是包装算子的一个类，好比调用filter，从Head里面拿到对象，通过第一个Sink,再通过第二个Sink的运算，最终获得结果。
下面是Strea.filter的源码实现:

public final Stream<P_OUT> filter(Predicate<? super P_OUT> predicate) {
        Objects.requireNonNull(predicate);
        return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,
                                     StreamOpFlag.NOT_SIZED) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {
                return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {
                    @Override
                    public void begin(long size) {
                        downstream.begin(-1);
                    }

                    @Override
                    public void accept(P_OUT u) {
                        //若是经过当前filter,就进入下一个算子
                        if (predicate.test(u))
                            downstream.accept(u);
                    }
                };
            }
        };
    }

Stream.peek

这个方法能够理解为调试方法，它不对结果产生任何影响，将数据原封不动的传给下一个算子

public final Stream<P_OUT> peek(Consumer<? super P_OUT> action) {
        Objects.requireNonNull(action);
        return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,
                                     0) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {
                return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {
                    @Override
                    public void accept(P_OUT u) {
                        action.accept(u);
                        downstream.accept(u);
                    }
                };
            }
        };
    }

Stream.flatMap

算子应该是经过一个对象映身成一个Stream，而后调用foreach，将每一个元素传递到下一个算子。

public final <R> Stream<R> flatMap(Function<? super P_OUT, ? extends Stream<? extends R>> mapper) {
        Objects.requireNonNull(mapper);
        // We can do better than this, by polling cancellationRequested when stream is infinite
        return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
                                     StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT | StreamOpFlag.NOT_SIZED) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
                return new Sink.ChainedReference<P_OUT, R>(sink) {
                    @Override
                    public void begin(long size) {
                        downstream.begin(-1);
                    }

                    @Override
                    public void accept(P_OUT u) {
                        try (Stream<? extends R> result = mapper.apply(u)) {
                            // We can do better that this too; optimize for depth=0 case and just grab spliterator and forEach it
                            if (result != null)
                                result.sequential().forEach(downstream);
                        }
                    }
                };
            }
        };
    }

Stream.map

与上面的相似，只是映射成另外一个对象

public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) {
        Objects.requireNonNull(mapper);
        return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
                                     StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {
            @Override
            Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
                return new Sink.ChainedReference<P_OUT, R>(sink) {
                    @Override
                    public void accept(P_OUT u) {
                        downstream.accept(mapper.apply(u));
                    }
                };
            }
        };
    }

Stream.limit

这是一个有状态的操做，由于它返回必定数据的数据组成的Stream。 这里只贴一段核心算法：

Sink<T> opWrapSink(int flags, Sink<T> sink) {
                return new Sink.ChainedReference<T, T>(sink) {
                    long n = skip;
                    long m = limit >= 0 ? limit : Long.MAX_VALUE;

                    @Override
                    public void begin(long size) {
                        downstream.begin(calcSize(size, skip, m));
                    }

                    @Override
                    public void accept(T t) {
                        if (n == 0) {
                            if (m > 0) {
                                m--;
                                downstream.accept(t);
                            }
                        }
                        else {
                            n--;
                        }
                    }

                    @Override
                    public boolean cancellationRequested() {
                        return m == 0 || downstream.cancellationRequested();
                    }
                };
            }

Stream.skip

这个与Stram.limit相似，两个联合起来就能够分面查询了。

Stream.sorted

排序，若是没传比较器就用默认的。
若是有顺序，就不用排序了，若是给定大小了就用一个固定大小的数组来排序，不然用一个列来来排序。

public Sink<T> opWrapSink(int flags, Sink<T> sink) {
            Objects.requireNonNull(sink);

            // If the input is already naturally sorted and this operation
            // also naturally sorted then this is a no-op
            if (StreamOpFlag.SORTED.isKnown(flags) && isNaturalSort)
                return sink;
            else if (StreamOpFlag.SIZED.isKnown(flags))
                return new SizedRefSortingSink<>(sink, comparator);
            else
                return new RefSortingSink<>(sink, comparator);
        }

经过排序，分页，说明这个算子须要支持开始，结束方法。还须要一个取消方法，为何了，好比第一个Stream有20个对象，可是后面只须要第一个，因此我第一个算子给到你一个数据时，第一个算子就须要终止了。

Stream.anyMatch

下面看一个anyMatch是怎么实现的。

@Override
    public final boolean anyMatch(Predicate<? super P_OUT> predicate) {
        return evaluate(MatchOps.makeRef(predicate, MatchOps.MatchKind.ANY));
    }

第二步，主要是用当前stream,和原始的数据容器spliterator

final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp) {
        assert getOutputShape() == terminalOp.inputShape();
        if (linkedOrConsumed)
            throw new IllegalStateException(MSG_STREAM_LINKED);
        linkedOrConsumed = true;

        return isParallel()
               ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags()))
               : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
    }

第三步,最后一个算子和原始容器

@Override
        public <S> Boolean evaluateSequential(PipelineHelper<T> helper,
                                              Spliterator<S> spliterator) {
            return helper.wrapAndCopyInto(sinkSupplier.get(), spliterator).getAndClearState();
        }

第四步 包装算子

final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {
        Objects.requireNonNull(sink);

        for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
            sink = p.opWrapSink(p.previousStage.combinedFlags, sink);
        }
        return (Sink<P_IN>) sink;
    }

第五步 数据传递

@Override
    final <P_IN, S extends Sink<E_OUT>> S wrapAndCopyInto(S sink, Spliterator<P_IN> spliterator) {
        copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);
        return sink;
    }
	
    final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
        Objects.requireNonNull(wrappedSink);
     //知足要求后，是否须要中止计算
        if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
            wrappedSink.begin(spliterator.getExactSizeIfKnown());
            spliterator.forEachRemaining(wrappedSink);
            wrappedSink.end();
        }
        else {
		//须要中止计算
            copyIntoWithCancel(wrappedSink, spliterator);
        }
    }

Stream.spliterator

只须要一个Sink,而后调用wrapSink,再copyInto就能够实现了

final <P_IN> Spliterator<P_OUT> wrap(PipelineHelper<P_OUT> ph,
                                     Supplier<Spliterator<P_IN>> supplier,
                                     boolean isParallel) {
        return new StreamSpliterators.WrappingSpliterator<>(ph, supplier, isParallel);
    }