转:JDK1.8-Stream()使用详解

为何须要 Stream

Stream 做为 Java 8 的一大亮点，它与 java.io 包里的 InputStream 和 OutputStream 是彻底不一样的概念。它也不一样于 StAX 对 XML 解析的 Stream，也不是 Amazon Kinesis 对大数据实时处理的 Stream。Java 8 中的 Stream 是对集合（Collection）对象功能的加强，它专一于对集合对象进行各类很是便利、高效的聚合操做（aggregate operation），或者大批量数据操做 (bulk data operation)。Stream API 借助于一样新出现的 Lambda 表达式，极大的提升编程效率和程序可读性。同时它提供串行和并行两种模式进行汇聚操做，并发模式可以充分利用多核处理器的优点，使用 fork/join 并行方式来拆分任务和加速处理过程。一般编写并行代码很难并且容易出错, 但使用 Stream API 无需编写一行多线程的代码，就能够很方便地写出高性能的并发程序。因此说，Java 8 中首次出现的 java.util.stream 是一个函数式语言+多核时代综合影响的产物。

什么是聚合操做

在传统的 J2EE 应用中，Java 代码常常不得不依赖于关系型数据库的聚合操做来完成诸如：

• 客户每个月平均消费金额
• 最昂贵的在售商品
• 本周完成的有效订单（排除了无效的）
• 取十个数据样本做为首页推荐

这类的操做。

但在当今这个数据大爆炸的时代，在数据来源多样化、数据海量化的今天，不少时候不得不脱离 RDBMS，或者以底层返回的数据为基础进行更上层的数据统计。而 Java 的集合 API 中，仅仅有极少许的辅助型方法，更多的时候是程序员须要用 Iterator 来遍历集合，完成相关的聚合应用逻辑。这是一种远不够高效、笨拙的方法。在 Java 7 中，若是要发现 type 为 grocery 的全部交易，而后返回以交易值降序排序好的交易 ID 集合，咱们须要这样写：

清单 1. Java 7 的排序、取值实现

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，代码更加简洁易读；并且使用并发模式，程序执行速度更快。

清单 2. Java 8 的排序、取值实现

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

Stream 总览

什么是流

Stream 不是集合元素，它不是数据结构并不保存数据，它是有关算法和计算的，它更像一个高级版本的 Iterator。原始版本的 Iterator，用户只能显式地一个一个遍历元素并对其执行某些操做；高级版本的 Stream，用户只要给出须要对其包含的元素执行什么操做，好比 “过滤掉长度大于 10 的字符串”、“获取每一个字符串的首字母”等，Stream 会隐式地在内部进行遍历，作出相应的数据转换。

Stream 就如同一个迭代器（Iterator），单向，不可往复，数据只能遍历一次，遍历过一次后即用尽了，就比如流水从面前流过，一去不复返。

而和迭代器又不一样的是，Stream 能够并行化操做，迭代器只能命令式地、串行化操做。顾名思义，当使用串行方式去遍历时，每一个 item 读完后再读下一个 item。而使用并行去遍历时，数据会被分红多个段，其中每个都在不一样的线程中处理，而后将结果一块儿输出。Stream 的并行操做依赖于 Java7 中引入的 Fork/Join 框架（JSR166y）来拆分任务和加速处理过程。Java 的并行 API 演变历程基本以下：

> 
1. 1.0-1.4 中的 java.lang.Thread 
2. 5.0 中的 java.util.concurrent 
02. 6.0 中的 Phasers 等 
10. 7.0 中的 Fork/Join 框架 
1. 8.0 中的 Lambda

Stream 的另一大特色是，数据源自己能够是无限的。

流的构成

当咱们使用一个流的时候，一般包括三个基本步骤：

获取一个数据源（source）→ 数据转换→执行操做获取想要的结果，每次转换原有 Stream 对象不改变，返回一个新的 Stream 对象（能够有屡次转换），这就容许对其操做能够像链条同样排列，变成一个管道，以下图所示。

图 1. 流管道 (Stream Pipeline) 的构成 

有多种方式生成 Stream Source：

• 从 Collection 和数组

  • Collection.stream()
  • Collection.parallelStream()
  • Arrays.stream(T array) or Stream.of()

  从 BufferedReader

  • java.io.BufferedReader.lines()
• 静态工厂 
  
  • java.util.stream.IntStream.range()
  • java.nio.file.Files.walk()

• 本身构建

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

流的操做类型分为两种：

• Intermediate：一个流能够后面跟随零个或多个 intermediate 操做。其目的主要是打开流，作出某种程度的数据映射/过滤，而后返回一个新的流，交给下一个操做使用。这类操做都是惰性化的（lazy），就是说，仅仅调用到这类方法，并无真正开始流的遍历。
• Terminal：一个流只能有一个 terminal 操做，当这个操做执行后，流就被使用“光”了，没法再被操做。因此这一定是流的最后一个操做。Terminal 操做的执行，才会真正开始流的遍历，而且会生成一个结果，或者一个 side effect。

在对于一个 Stream 进行屡次转换操做 (Intermediate 操做)，每次都对 Stream 的每一个元素进行转换，并且是执行屡次，这样时间复杂度就是 N（转换次数）个 for 循环里把全部操做都作掉的总和吗？其实不是这样的，转换操做都是 lazy 的，多个转换操做只会在 Terminal 操做的时候融合起来，一次循环完成。咱们能够这样简单的理解，Stream 里有个操做函数的集合，每次转换操做就是把转换函数放入这个集合中，在 Terminal 操做的时候循环 Stream 对应的集合，而后对每一个元素执行全部的函数。

还有一种操做被称为 short-circuiting。用以指：

• 对于一个intermediate 操做，若是它接受的是一个无限大（infinite/unbounded）的Stream，但返回一个有限的新Stream。
• 对于一个 terminal 操做，若是它接受的是一个无限大的 Stream，但能在有限的时间计算出结果。

当操做一个无限大的 Stream，而又但愿在有限时间内完成操做，则在管道内拥有一个 short-circuiting 操做是必要非充分条件。

清单 3. 一个流操做的示例

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

stream() 获取当前小物件的 source，filter 和 mapToInt 为 intermediate 操做，进行数据筛选和转换，最后一个 sum() 为 terminal 操做，对符合条件的所有小物件做重量求和。

流的使用详解

简单说，对 Stream 的使用就是实现一个 filter-map-reduce 过程，产生一个最终结果，或者致使一个反作用（side effect）。

流的构造与转换

下面提供最多见的几种构造 Stream 的样例。

清单 4. 构造流的几种常见方法

// 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();

须要注意的是，对于基本数值型，目前有三种对应的包装类型 Stream：

IntStream、LongStream、DoubleStream。固然咱们也能够用 Stream<Integer>、Stream<Long> >、Stream<Double>，可是 boxing 和 unboxing 会很耗时，因此特别为这三种基本数值型提供了对应的Stream。 
Java 8 中尚未提供其它数值型 Stream，由于这将致使扩增的内容较多。而常规的数值型聚合运算能够经过上面三种 Stream 进行。

清单 5. 数值流的构造

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);

清单 6. 流转换为其它数据结构

// 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();

一个 Stream 只可使用一次，上面的代码为了简洁而重复使用了数次。

流的操做

接下来，当把一个数据结构包装成 Stream 后，就要开始对里面的元素进行各种操做了。常见的操做能够归类以下。

• 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

咱们下面看一下 Stream 的比较典型用法。

map/flatMap

---

咱们先来看 map。若是你熟悉 scala 这类函数式语言，对这个方法应该很了解，它的做用就是把 inputStream 的每个元素，映射成 outputStream 的另一个元素。

清单 7. 转换大写

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

这段代码把全部的单词转换为大写。

清单 8. 平方数

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

这段代码生成一个整数 list 的平方数 {1, 4, 9, 16}。

从上面例子能够看出，map 生成的是个 1:1 映射，每一个输入元素，都按照规则转换成为另一个元素。还有一些场景，是一对多映射关系的，这时须要 flatMap。

清单 9. 一对多

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 中的层级结构扁平化，就是将最底层元素抽出来放到一块儿，最终 output 的新 Stream 里面已经没有 List 了，都是直接的数字。

filter

---

filter 对原始 Stream 进行某项测试，经过测试的元素被留下来生成一个新 Stream。

清单 10. 留下偶数

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

通过条件“被 2 整除”的 filter，剩下的数字为 {2, 4, 6}。

清单 11. 把单词挑出来

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

这段代码首先把每行的单词用 flatMap 整理到新的 Stream，而后保留长度不为 0 的，就是整篇文章中的所有单词了。

forEach

---

forEach 方法接收一个 Lambda 表达式，而后在 Stream 的每个元素上执行该表达式。

清单 12. 打印姓名（forEach 和 pre-java8 的对比）

// 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());  } }

对一我的员集合遍历，找出男性并打印姓名。能够看出来，forEach 是为 Lambda 而设计的，保持了最紧凑的风格。并且 Lambda 表达式自己是能够重用的，很是方便。当须要为多核系统优化时，能够 parallelStream().forEach()，只是此时原有元素的次序无法保证，并行的状况下将改变串行时操做的行为，此时 forEach 自己的实现不须要调整，而 Java8 之前的 for 循环 code 可能须要加入额外的多线程逻辑。

但通常认为，forEach 和常规 for 循环的差别不涉及到性能，它们仅仅是函数式风格与传统 Java 风格的差异。

另一点须要注意，forEach 是 terminal 操做，所以它执行后，Stream 的元素就被“消费”掉了，你没法对一个 Stream 进行两次 terminal 运算。下面的代码是错误的：

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

相反，具备类似功能的 intermediate 操做 peek 能够达到上述目的。以下是出如今该 api javadoc 上的一个示例。

清单 13. peek 对每一个元素执行操做并返回一个新的 Stream

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 不能修改本身包含的本地变量值，也不能用 break/return 之类的关键字提早结束循环。

findFirst

---

这是一个 termimal 兼 short-circuiting 操做，它老是返回 Stream 的第一个元素，或者空。

这里比较重点的是它的返回值类型：Optional。这也是一个模仿 Scala 语言中的概念，做为一个容器，它可能含有某值，或者不包含。使用它的目的是尽量避免 NullPointerException。

清单 14. Optional 的两个用例

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;  };

在更复杂的 if (xx != null) 的状况中，使用 Optional 代码的可读性更好，并且它提供的是编译时检查，能极大的下降 NPE 这种 Runtime Exception 对程序的影响，或者迫使程序员更早的在编码阶段处理空值问题，而不是留到运行时再发现和调试。

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

reduce

---

这个方法的主要做用是把 Stream 元素组合起来。它提供一个起始值（种子），而后依照运算规则（BinaryOperator），和前面 Stream 的第一个、第二个、第 n 个元素组合。从这个意义上说，字符串拼接、数值的 sum、min、max、average 都是特殊的 reduce。例如 Stream 的 sum 就至关于Integer sum = integers.reduce(0, (a, b) -> a+b);或Integer sum = integers.reduce(0, Integer::sum);

也有没有起始值的状况，这时会把 Stream 的前面两个元素组合起来，返回的是 Optional。

清单 15. reduce 的用例

// 字符串链接，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, 无起始值 sumValue = Stream.of(1, 2, 3, 4).reduce(Integer::sum).get(); // 过滤，字符串链接，concat = "ace" concat = Stream.of("a", "B", "c", "D", "e", "F"). filter(x -> x.compareTo("Z") > 0). reduce("", String::concat);

上面代码例如第一个示例的 reduce()，第一个参数（空白字符）即为起始值，第二个参数（String::concat）为 BinaryOperator。这类有起始值的 reduce() 都返回具体的对象。而对于第四个示例没有起始值的 reduce()，因为可能没有足够的元素，返回的是 Optional，请留意这个区别。

limit/skip

---

limit 返回 Stream 的前面 n 个元素；skip 则是扔掉前 n 个元素（它是由一个叫 subStream 的方法更名而来）。

清单 16. limit 和 skip 对运行次数的影响

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;  } }

输出结果为：

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

这是一个有 10，000 个元素的 Stream，但在 short-circuiting 操做 limit 和 skip 的做用下，管道中 map 操做指定的 getName() 方法的执行次数为 limit 所限定的 10 次，而最终返回结果在跳过前 3 个元素后只有后面 7 个返回。 
有一种状况是 limit/skip 没法达到 short-circuiting 目的的，就是把它们放在 Stream 的排序操做后，缘由跟 sorted 这个 intermediate 操做有关：此时系统并不知道 Stream 排序后的次序如何，因此 sorted 中的操做看上去就像彻底没有被 limit 或者 skip 同样。

清单 17. limit 和 skip 对 sorted 后的运行次数无影响

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);

上面的示例对清单 13 作了微调，首先对 5 个元素的 Stream 排序，而后进行 limit 操做。输出结果为：

name2
name1
name3
name2
name4
name3
name5
name4
[stream.StreamDW$Person@816f27d, stream.StreamDW$Person@87aac27]

即虽然最后的返回元素数量是 2，但整个管道中的 sorted 表达式执行次数没有像前面例子相应减小。

最后有一点须要注意的是，对一个 parallel 的 Steam 管道来讲，若是其元素是有序的，那么 limit 操做的成本会比较大，由于它的返回对象必须是前 n 个也有同样次序的元素。取而代之的策略是取消元素间的次序，或者不要用 parallel Stream。

sorted

---

对 Stream 的排序经过 sorted 进行，它比数组的排序更强之处在于你能够首先对 Stream 进行各种 map、filter、limit、skip 甚至 distinct 来减小元素数量后，再排序，这能帮助程序明显缩短执行时间。咱们对清单 14 进行优化：

清单 18. 优化：排序前进行 limit 和 skip

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);

结果会简单不少：

name2
name1
[stream.StreamDW$Person@6ce253f1, stream.StreamDW$Person@53d8d10a]

固然，这种优化是有 business logic 上的局限性的：即不要求排序后再取值。 
min/max/distinct

---

min 和 max 的功能也能够经过对 Stream 元素先排序，再 findFirst 来实现，但前者的性能会更好，为 O(n)，而 sorted 的成本是 O(n log n)。同时它们做为特殊的 reduce 方法被独立出来也是由于求最大最小值是很常见的操做。

清单 19. 找出最长一行的长度

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

下面的例子则使用 distinct 来找出不重复的单词。

清单 20. 找出全文的单词，转小写，并排序

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 有三个 match 方法，从语义上说：

• allMatch：Stream 中所有元素符合传入的 predicate，返回 true
• anyMatch：Stream 中只要有一个元素符合传入的 predicate，返回 true
• noneMatch：Stream 中没有一个元素符合传入的 predicate，返回 true 
  它们都不是要遍历所有元素才能返回结果。例如 allMatch 只要一个元素不知足条件，就 skip 剩下的全部元素，返回 false。对清单 13 中的 Person 类稍作修改，加入一个 age 属性和 getAge 方法。

清单 21. 使用 Match

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);

输出结果：

All are adult? false Any child? true

进阶：本身生成流

Stream.generate

---

经过实现 Supplier 接口，你能够本身来控制流的生成。这种情形一般用于随机数、常量的 Stream，或者须要先后元素间维持着某种状态信息的 Stream。把 Supplier 实例传递给 Stream.generate() 生成的 Stream，默认是串行（相对 parallel 而言）但无序的（相对 ordered 而言）。因为它是无限的，在管道中，必须利用 limit 之类的操做限制 Stream 大小。

清单 22. 生成 10 个随机整数

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() 还接受本身实现的 Supplier。例如在构造海量测试数据的时候，用某种自动的规则给每个变量赋值；或者依据公式计算 Stream 的每一个元素值。这些都是维持状态信息的情形。

清单 23. 自实现 Supplier

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)); } }

输出结果：

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

iterate 跟 reduce 操做很像，接受一个种子值，和一个 UnaryOperator（例如 f）。而后种子值成为 Stream 的第一个元素，f(seed) 为第二个，f(f(seed)) 第三个，以此类推。

清单 24. 生成一个等差数列

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

输出结果：

0 3 6 9 12 15 18 21 24 27

与 Stream.generate 相仿，在 iterate 时候管道必须有 limit 这样的操做来限制 Stream 大小。 
进阶：用 Collectors 来进行 reduction 操做 
java.util.stream.Collectors 类的主要做用就是辅助进行各种有用的 reduction 操做，例如转变输出为 Collection，把 Stream 元素进行归组。 
groupingBy/partitioningBy

清单 25. 按照年龄归组

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 人的信息，而后按照年龄归组，相同年龄的人放到同一个 list 中，能够看到以下的输出：

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

清单 26. 按照未成年人和成年人归组

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());

输出结果：

Children number: 23 Adult number: 77

在使用条件“年龄小于 18”进行分组后能够看到，不到 18 岁的未成年人是一组，成年人是另一组。partitioningBy 实际上是一种特殊的 groupingBy，它依照条件测试的是否两种结果来构造返回的数据结构，get(true) 和 get(false) 能即为所有的元素对象。

结束语

总之，Stream 的特性能够概括为：

• 不是数据结构
• 它没有内部存储，它只是用操做管道从 source（数据结构、数组、generator function、IO channel）抓取数据。
• 它也毫不修改本身所封装的底层数据结构的数据。例如 Stream 的 filter 操做会产生一个不包含被过滤元素的新 Stream，而不是从 source 删除那些元素。
• 全部 Stream 的操做必须以 lambda 表达式为参数
• 不支持索引访问
• 你能够请求第一个元素，但没法请求第二个，第三个，或最后一个。不过请参阅下一项。
• 很容易生成数组或者 List
• 惰性化
• 不少 Stream 操做是向后延迟的，一直到它弄清楚了最后须要多少数据才会开始。
• Intermediate 操做永远是惰性化的。
• 并行能力
• 当一个 Stream 是并行化的，就不须要再写多线程代码，全部对它的操做会自动并行进行的。
• 能够是无限的
• 集合有固定大小，Stream 则没必要。limit(n) 和 findFirst() 这类的 short-circuiting 操做能够对无限的 Stream 进行运算并很快完成。

参考

Java 8 中的 Streams API 详解