1.Stream 流的介绍
1.1 java8 stream介绍
java8新增了stream流的特性，能够让用户以函数式的方式、更为简单的操纵集合等数据结构，并实现了用户无感知的并行计算。
1.2 从零开始实现一个stream流
相信很多人在使用过java8的streamAPI接口之后，都会对其实现原理感到好奇，但往往在看到jdk的stream源码后却被其复杂的抽象、封装给弄糊涂了，而无法很好的理解其背后的原理。究其原因，是因为jdk的stream源码是高度工程化的代码，工程化的代码为了效率和满足各式各样的需求，会将代码实现的极其复杂，不易理解。
在这里，我们将抛开jdk的实现思路，从零开始实现一个stream流。
我们的stream流同样拥有惰性求值，函数式编程接口等特性，并兼容jdk的Collection等数据结构(但不支持并行计算 orz)。
相信在亲手实现一个stream流的框架之后，大家能更好的理解流计算的原理。
2.stream的优点
在探讨探究stream的实现原理和动手实现之前，我们先要体会stream流计算的独特之处。
举个例子： 有一个List<Person>列表,我们需要获得年龄为70岁的前10个Person的姓名。
过程式的解决方案：
稍加思考，我们很快就写出了一个过程式的解决方案(伪代码)：
List<Person> personList = fromDB(); // 获得List<Person>
int limit = 10; // 限制条件
List<String> nameList = new ArrayList(); // 收集的姓名集合
for(Person personItem : personList){
if(personItem.age == 70){ // 满足条件
nameList.add(personItem.name); // 加入姓名集合
if(nameList.size() >= 10){ // 判断是否超过限制
break;
}
}
}
return nameList;
函数式stream解决方案：
下面我们给出一种基于stream流的解决方案(伪代码)：
List<Person> personList = fromDB(); // 获得List<Person>
List<String> nameList = personList.stream()
.filter(item->item.age == 70) // 过滤条件
.limit(10) // limit限制条件
.map(item->item.name) // 获得姓名
.collect(Collector.toList()); // 转化为list return nameList;
两种方案的不同之处：
从函数式的角度上看，过程式的代码实现将收集元素、循环迭代、各种逻辑判断耦合在一起，暴露了太多细节。当未来需求变动和变得更加复杂的情况下，过程式的代码将变得难以理解和维护(需要控制台打印出 年龄为70岁的前10个Person中，姓王的Person的名称）。
函数式的解决方案解开了代码细节和业务逻辑的耦合，类似于sql语句，表达的是"要做什么"而不是"如何去做"，使程序员可以更加专注于业务逻辑，写出易于理解和维护的代码。
List<Person> personList = fromDB(); // 获得List<Person>
personList.stream()
.filter(item->item.age == 70) // 过滤条件
.limit(10) // limit限制条件
.filter(item->item.name.startWith("王")) // 过滤条件
.map(item->item.name) // 获得姓名
.forEach(System.out::println);
3.stream API接口介绍
stream API的接口是函数式的，尽管java 8也引入了lambda表达式，但java实质上依然是由接口-匿名内部类来实现函数传参的，所以需要事先定义一系列的函数式接口。
Function: 类似于 y = F(x)
@FunctionalInterface
public interface Function<R,T> { /**
* 函数式接口
* 类似于 y = F(x)
* */
R apply(T t);
}
BiFunction: 类似于 z = F(x,y)
@FunctionalInterface
public interface BiFunction<R, T, U> { /**
* 函数式接口
* 类似于 z = F(x,y)
* */
R apply(T t, U u);
}
ForEach: 遍历处理
@FunctionalInterface
public interface ForEach <T>{ /**
* 迭代器遍历
* @param item 被迭代的每一项
* */
void apply(T item);
}
Comparator: 比较器
@FunctionalInterface
public interface Comparator<T> { /**
* 比较方法逻辑
* @param o1 参数1
* @param o2 参数2
* @return 返回值大于0 ---> (o1 > o2)
* 返回值等于0 ---> (o1 = o2)
* 返回值小于0 ---> (o1 < o2)
*/
int compare(T o1, T o2);
}
Predicate: 条件判断
@FunctionalInterface
public interface Predicate <T>{ /**
* 函数式接口
* @param item 迭代的每一项
* @return true 满足条件
* false 不满足条件
* */
boolean satisfy(T item);
}
Supplier：提供初始值
@FunctionalInterface
public interface Supplier<T> { /**
* 提供初始值
* @return 初始化的值
* */
T get();
}
EvalFunction：stream求值函数
@FunctionalInterface
public interface EvalFunction<T> { /**
* stream流的强制求值方法
* @return 求值返回一个新的stream
* */
MyStream<T> apply();
}
stream API接口：
/**
* stream流的API接口
*/
public interface Stream<T> { /**
* 映射 lazy 惰性求值
* @param mapper 转换逻辑 T->R
* @return 一个新的流
* */
<R> MyStream<R> map(Function<R,T> mapper); /**
* 扁平化 映射 lazy 惰性求值
* @param mapper 转换逻辑 T->MyStream<R>
* @return 一个新的流(扁平化之后)
* */
<R> MyStream<R> flatMap(Function<? extends MyStream<R>, T> mapper); /**
* 过滤 lazy 惰性求值
* @param predicate 谓词判断
* @return 一个新的流，其中元素是满足predicate条件的
* */
MyStream<T> filter(Predicate<T> predicate); /**
* 截断 lazy 惰性求值
* @param n 截断流，只获取部分
* @return 一个新的流，其中的元素不超过 n
* */
MyStream<T> limit(int n); /**
* 去重操作 lazy 惰性求值
* @return 一个新的流，其中的元素不重复(!equals）
* */
MyStream<T> distinct(); /**
* 窥视 lazy 惰性求值
* @return 同一个流，peek不改变流的任何行为
* */
MyStream<T> peek(ForEach<T> consumer); /**
* 遍历 eval 强制求值
* @param consumer 遍历逻辑
* */
void forEach(ForEach<T> consumer); /**
* 浓缩 eval 强制求值
* @param initVal 浓缩时的初始值
* @param accumulator 浓缩时的 累加逻辑
* @return 浓缩之后的结果
* */
<R> R reduce(R initVal, BiFunction<R, R, T> accumulator); /**
* 收集 eval 强制求值
* @param collector 传入所需的函数组合子，生成高阶函数
* @return 收集之后的结果
* */
<R, A> R collect(Collector<T,A,R> collector); /**
* 最大值 eval 强制求值
* @param comparator 大小比较逻辑
* @return 流中的最大值
* */
T max(Comparator<T> comparator); /**
* 最小值 eval 强制求值
* @param comparator 大小比较逻辑
* @return 流中的最小值
* */
T min(Comparator<T> comparator); /**
* 计数 eval 强制求值
* @return 当前流的个数
* */
int count(); /**
* 流中是否存在满足predicate的项
* @return true 存在 匹配项
* false 不存在 匹配项
* */
boolean anyMatch(Predicate<? super T> predicate); /**
* 流中的元素是否全部满足predicate
* @return true 全部满足
* false 不全部满足
* */
boolean allMatch(Predicate<? super T> predicate); /**
* 返回空的 stream
* @return 空stream
* */
static <T> MyStream<T> makeEmptyStream(){
// isEnd = true
return new MyStream.Builder<T>().isEnd(true).build();
}
}
4.MyStream 实现细节
简单介绍了API接口定义之后，我们开始深入探讨流的内部实现。
流由两个重要的部分所组成，"当前数据项(head)"和"下一数据项的求值函数(nextItemEvalProcess)"。
其中，nextItemEvalProcess是流能够实现"惰性求值"的关键。
流的基本属性：
public class MyStream<T> implements Stream<T> {
/**
* 流的头部
* */
private T head;
/**
* 流的下一项求值函数
* */
private NextItemEvalProcess nextItemEvalProcess;
/**
* 是否是流的结尾
* */
private boolean isEnd;
public static class Builder<T>{
private MyStream<T> target;
public Builder() {
this.target = new MyStream<>();
}
public Builder<T> head(T head){
target.head = head;
return this;
}
Builder<T> isEnd(boolean isEnd){
target.isEnd = isEnd;
return this;
}
public Builder<T> nextItemEvalProcess(NextItemEvalProcess nextItemEvalProcess){
target.nextItemEvalProcess = nextItemEvalProcess;
return this;
}
public MyStream<T> build(){
return target;
}
}
/**
* 当前流强制求值
* @return 求值之后返回一个新的流
* */
private MyStream<T> eval(){
return this.nextItemEvalProcess.eval();
}
/**
* 当前流 为空
* */
private boolean isEmptyStream(){
return this.isEnd;
}
}
/**
* 下一个元素求值过程
*/
public class NextItemEvalProcess { /**
* 求值方法
* */
private EvalFunction evalFunction; public NextItemEvalProcess(EvalFunction evalFunction) {
this.evalFunction = evalFunction;
} MyStream eval(){
return evalFunction.apply();
}
}
4.1 stream流在使用过程中的三个阶段
1. 生成并构造一个流 (List.stream() 等方法)
2. 在流的处理过程中添加、绑定惰性求值流程 (map、filter、limit 等方法)
3. 对流使用强制求值函数，生成最终结果 (max、collect、forEach等方法)
4.2 生成并构造一个流
流在生成时是"纯净"的，其最初的NextItemEvalProcess求值之后就是指向自己的下一个元素。
我们以一个Integer整数流的生成为例。IntegerStreamGenerator.getIntegerStream(1,10) 会返回一个流结构，其逻辑上等价于一个从1到10的整数流。但实质是一个惰性求值的stream对象，这里称其为IntStream，其NextItemEvalProcess是一个闭包，方法体是一个递归结构的求值函数，其中下界参数low = low + 1。
当IntStream第一次被求值时，流开始初始化，isStart = false。当初始化完成之后，每一次求值，都会生成一个新的流对象，其中head(low) = low + 1。当low > high时，流被终止，返回空的流对象。
/**
* 整数流生成器
*/
public class IntegerStreamGenerator {
/**
* 获得一个有限的整数流 介于[low-high]之间
* @param low 下界
* @param high 上界
* */
public static MyStream<Integer> getIntegerStream(int low, int high){
return getIntegerStreamInner(low,high,true);
} /**
* 递归函数。配合getIntegerStream(int low,int high)
* */
private static MyStream<Integer> getIntegerStreamInner(int low, int high, boolean isStart){
if(low > high){
// 到达边界条件，返回空的流
return Stream.makeEmptyStream();
}
if(isStart){
return new MyStream.Builder<Integer>()
.process(new NextItemEvalProcess(()->getIntegerStreamInner(low,high,false)))
.build();
}else{
return new MyStream.Builder<Integer>()
// 当前元素 low
.head(low)
// 下一个元素 low+1
.process(new NextItemEvalProcess(()->getIntegerStreamInner(low+1,high,false)))
.build();
}
}
}
可以看到，生成一个流的关键在于确定如何求值下一项元素。对于整数流来说，low = low + 1就是其下一项的求值过程。
那么对于我们非常关心的jdk集合容器，又该如何生成对应的流呢?
答案是Iterator迭代器，jdk的集合容器都实现了Iterator迭代器接口，通过迭代器我们可以轻易的取得容器的下一项元素，而不用关心容器内部实现细节。换句话说，只要实现过迭代器接口，就可以自然的转化为stream流，从而获得流计算的所有能力。
/**
* 集合流生成器
*/
public class CollectionStreamGenerator {
/**
* 将一个List转化为stream流
* */
public static <T> MyStream<T> getListStream(List<T> list){
return getListStream(list.iterator(),true);
} /**
* 递归函数
* @param iterator list 集合的迭代器
* @param isStart 是否是第一次迭代
* */
private static <T> MyStream<T> getListStream(Iterator<T> iterator, boolean isStart){
if(!iterator.hasNext()){
// 不存在迭代的下一个元素，返回空的流
return Stream.makeEmptyStream();
} if(isStart){
// 初始化，只需要设置 求值过程
return new MyStream.Builder<T>()
.nextItemEvalProcess(new NextItemEvalProcess(()-> getListStream(iterator,false)))
.build();
}else{
// 非初始化，设置head和接下来的求值过程
return new MyStream.Builder<T>()
.head(iterator.next())
.nextItemEvalProcess(new NextItemEvalProcess(()-> getListStream(iterator,false)))
.build();
}
}
}
思考一个小问题，如何生成一个无穷的整数流？
4.3 在流的处理过程中添加、绑定惰性求值流程
我们以map接口举例说明。API的map接口是一个惰性求值接口，在流执行了map方法后(stream.map())，不会进行任何的求值运算。map在执行时，会生成一个新的求值过程NextItemEvalProcess，新的过程将之前流的求值过程给"包裹"起来了，仅仅是在"流的生成"到"流的最终求值"之间增加了一道处理工序，最终返回了一个新的stream流对象。
API.map所依赖的内部静态map方法是一个惰性求值方法，其每次调用"只会"将当前流的head部分进行map映射操作，并且生成一个新的流。新生成流的NextItemEvalProcess和之前逻辑基本保持一致(递归)，唯一的区别是，第二个参数传入的stream在调用方法之前会被强制求值(eval)后再传入。
@Override
public <R> MyStream<R> map(Function<R, T> mapper) {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()->{
MyStream myStream = lastNextItemEvalProcess.eval();
return map(mapper, myStream);
}
); // 求值链条 加入一个新的process map
return new MyStream.Builder<R>()
.nextItemEvalProcess(this.nextItemEvalProcess)
.build();
} /**
* 递归函数 配合API.map
* */
private static <R,T> MyStream<R> map(Function<R, T> mapper, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return Stream.makeEmptyStream();
} R head = mapper.apply(myStream.head); return new MyStream.Builder<R>()
.head(head)
.nextItemEvalProcess(new NextItemEvalProcess(()->map(mapper, myStream.eval())))
.build();
}
惰性求值接口的实现大同小异，大家需要体会一下闭包、递归、惰性求值等概念，限于篇幅就不一一展开啦。
flatMap：
@Override
public <R> MyStream<R> flatMap(Function<? extends MyStream<R>,T> mapper) {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()->{
MyStream myStream = lastNextItemEvalProcess.eval();
return flatMap(mapper, Stream.makeEmptyStream(), myStream);
}
); // 求值链条 加入一个新的process map
return new MyStream.Builder<R>()
.nextItemEvalProcess(this.nextItemEvalProcess)
.build();
} /**
* 递归函数 配合API.flatMap
* */
private static <R,T> MyStream<R> flatMap(Function<? extends MyStream<R>,T> mapper, MyStream<R> headMyStream, MyStream<T> myStream){
if(headMyStream.isEmptyStream()){
if(myStream.isEmptyStream()){
return Stream.makeEmptyStream();
}else{
T outerHead = myStream.head;
MyStream<R> newHeadMyStream = mapper.apply(outerHead); return flatMap(mapper, newHeadMyStream.eval(), myStream.eval());
}
}else{
return new MyStream.Builder<R>()
.head(headMyStream.head)
.nextItemEvalProcess(new NextItemEvalProcess(()-> flatMap(mapper, headMyStream.eval(), myStream)))
.build();
}
}
filter：
@Override
public MyStream<T> filter(Predicate<T> predicate) {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()-> {
MyStream myStream = lastNextItemEvalProcess.eval();
return filter(predicate, myStream);
}
); // 求值链条 加入一个新的process filter
return this;
} /**
* 递归函数 配合API.filter
* */
private static <T> MyStream<T> filter(Predicate<T> predicate, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return Stream.makeEmptyStream();
} if(predicate.satisfy(myStream.head)){
return new Builder<T>()
.head(myStream.head)
.nextItemEvalProcess(new NextItemEvalProcess(()->filter(predicate, myStream.eval())))
.build();
}else{
return filter(predicate, myStream.eval());
}
}
limit：
@Override
public MyStream<T> limit(int n) {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()-> {
MyStream myStream = lastNextItemEvalProcess.eval();
return limit(n, myStream);
}
); // 求值链条 加入一个新的process limit
return this;
} /**
* 递归函数 配合API.limit
* */
private static <T> MyStream<T> limit(int num, MyStream<T> myStream){
if(num == 0 || myStream.isEmptyStream()){
return Stream.makeEmptyStream();
} return new MyStream.Builder<T>()
.head(myStream.head)
.nextItemEvalProcess(new NextItemEvalProcess(()->limit(num-1, myStream.eval())))
.build();
}
distinct：
@Override
public MyStream<T> distinct() {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()-> {
MyStream myStream = lastNextItemEvalProcess.eval();
return distinct(new HashSet<>(), myStream);
}
); // 求值链条 加入一个新的process limit
return this;
} /**
* 递归函数 配合API.distinct
* */
private static <T> MyStream<T> distinct(Set<T> distinctSet,MyStream<T> myStream){
if(myStream.isEmptyStream()){
return Stream.makeEmptyStream();
} if(!distinctSet.contains(myStream.head)){
// 加入集合
distinctSet.add(myStream.head); return new Builder<T>()
.head(myStream.head)
.nextItemEvalProcess(new NextItemEvalProcess(()->distinct(distinctSet, myStream.eval())))
.build();
}else{
return distinct(distinctSet, myStream.eval());
}
}
peek：
@Override
public MyStream<T> peek(ForEach<T> consumer) {
NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess;
this.nextItemEvalProcess = new NextItemEvalProcess(
()-> {
MyStream myStream = lastNextItemEvalProcess.eval();
return peek(consumer,myStream);
}
); // 求值链条 加入一个新的process peek
return this;
} /**
* 递归函数 配合API.peek
* */
private static <T> MyStream<T> peek(ForEach<T> consumer,MyStream<T> myStream){
if(myStream.isEmptyStream()){
return Stream.makeEmptyStream();
} consumer.apply(myStream.head); return new MyStream.Builder<T>()
.head(myStream.head)
.nextItemEvalProcess(new NextItemEvalProcess(()->peek(consumer, myStream.eval())))
.build();
}
4.4 对流使用强制求值函数，生成最终结果
我们以forEach方法举例说明。强制求值方法forEach会不断的对当前stream进行求值并让consumer接收处理，直到当前流成为空流。
有两种可能的情况会导致递归传入的流参数成为空流(empty-stream)：
1. 最初生成流的求值过程返回了空流(整数流，low > high 时，返回空流 )
2. limit之类的短路操作，会提前终止流的求值返回空流(n == 0 时，返回空流)
@Override
public void forEach(ForEach<T> consumer) {
// 终结操作 直接开始求值
forEach(consumer,this.eval());
} /**
* 递归函数 配合API.forEach
* */
private static <T> void forEach(ForEach<T> consumer, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return;
} consumer.apply(myStream.head);
forEach(consumer, myStream.eval());
}
强制求值的接口的实现也都大同小异，限于篇幅就不一一展开啦。
reduce：
/**
* 递归函数 配合API.reduce
* */
private static <R,T> R reduce(R initVal, BiFunction<R,R,T> accumulator, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return initVal;
} T head = myStream.head;
R result = reduce(initVal,accumulator, myStream.eval()); return accumulator.apply(result,head);
} /**
* 递归函数 配合API.reduce
* */
private static <R,T> R reduce(R initVal, BiFunction<R,R,T> accumulator, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return initVal;
} T head = myStream.head;
R result = reduce(initVal,accumulator, myStream.eval()); return accumulator.apply(result,head);
}
max：
@Override
public T max(Comparator<T> comparator) {
// 终结操作 直接开始求值
MyStream<T> eval = this.eval(); if(eval.isEmptyStream()){
return null;
}else{
return max(comparator,eval,eval.head);
}
} /**
* 递归函数 配合API.max
* */
private static <T> T max(Comparator<T> comparator, MyStream<T> myStream, T max){
if(myStream.isEnd){
return max;
} T head = myStream.head;
// head 和 max 进行比较
if(comparator.compare(head,max) > 0){
// head 较大 作为新的max传入
return max(comparator, myStream.eval(),head);
}else{
// max 较大 不变
return max(comparator, myStream.eval(),max);
}
}
min：
@Override
public T min(Comparator<T> comparator) {
// 终结操作 直接开始求值
MyStream<T> eval = this.eval(); if(eval.isEmptyStream()){
return null;
}else{
return min(comparator,eval,eval.head);
}
} /**
* 递归函数 配合API.min
* */
private static <T> T min(Comparator<T> comparator, MyStream<T> myStream, T min){
if(myStream.isEnd){
return min;
} T head = myStream.head;
// head 和 min 进行比较
if(comparator.compare(head,min) < 0){
// head 较小 作为新的min传入
return min(comparator, myStream.eval(),head);
}else{
// min 较小 不变
return min(comparator, myStream.eval(),min);
}
}
count：
@Override
public int count() {
// 终结操作 直接开始求值
return count(this.eval(),0);
} /**
* 递归函数 配合API.count
* */
private static <T> int count(MyStream<T> myStream, int count){
if(myStream.isEmptyStream()){
return count;
} // count+1 进行递归
return count(myStream.eval(),count+1);
}
anyMatch：
@Override
public boolean anyMatch(Predicate<? super T> predicate) {
// 终结操作 直接开始求值
return anyMatch(predicate,this.eval());
} /**
* 递归函数 配合API.anyMatch
* */
private static <T> boolean anyMatch(Predicate<? super T> predicate,MyStream<T> myStream){
if(myStream.isEmptyStream()){
// 截止末尾，不存在任何匹配项
return false;
} // 谓词判断
if(predicate.satisfy(myStream.head)){
// 匹配 存在匹配项 返回true
return true;
}else{
// 不匹配，继续检查，直到存在匹配项
return anyMatch(predicate,myStream.eval());
}
}
allMatch：
@Override
public boolean allMatch(Predicate<? super T> predicate) {
// 终结操作 直接开始求值
return allMatch(predicate,this.eval());
} /**
* 递归函数 配合API.anyMatch
* */
private static <T> boolean allMatch(Predicate<? super T> predicate,MyStream<T> myStream){
if(myStream.isEmptyStream()){
// 全部匹配
return true;
} // 谓词判断
if(predicate.satisfy(myStream.head)){
// 当前项匹配，继续检查
return allMatch(predicate,myStream.eval());
}else{
// 存在不匹配的项，返回false
return false;
}
}
4.5 collect方法
collect方法是强制求值方法中，最复杂也最强大的接口，其作用是将流中的元素收集(collect)起来，并转化成特定的数据结构。
从函数式编程的角度来看，collect方法是一个高阶函数，其接受三个函数作为参数(supplier，accumulator，finisher)，最终生成一个更加强大的函数。在java中，三个函数参数以Collector实现对象的形式呈现。
supplier 方法：用于提供收集collect的初始值。
accumulator 方法：用于指定收集过程中，初始值和流中个体元素聚合的逻辑。
finnisher 方法：用于指定在收集完成之后的收尾转化操作(例如：StringBuilder.toString() ---> String)。
collect接口实现：
@Override
public <R, A> R collect(Collector<T, A, R> collector) {
// 终结操作 直接开始求值
A result = collect(collector,this.eval()); // 通过finish方法进行收尾
return collector.finisher().apply(result);
} /**
* 递归函数 配合API.collect
* */
private static <R, A, T> A collect(Collector<T, A, R> collector, MyStream<T> myStream){
if(myStream.isEmptyStream()){
return collector.supplier().get();
} T head = myStream.head;
A tail = collect(collector, myStream.eval()); return collector.accumulator().apply(tail,head);
}
collector接口：
/**
* collect接口 收集器
* 通过传入组合子，生成高阶过程
*/
public interface Collector<T, A, R> { /**
* 收集时，提供初始化的值
* */
Supplier<A> supplier(); /**
* A = A + T
* 累加器，收集时的累加过程
* */
BiFunction<A, A, T> accumulator(); /**
* 收集完成之后的收尾操作
* */
Function<A, R> finisher();
}
了解jdk源码的读者可能会注意到，jdk的stream实现中collector接口多了一个combiner接口，combiner接口用于指定并行计算之后的结果集合并的逻辑，由于我们的实现不支持并行计算，因此也不需要添加combiner接口了。
同时，jdk还提供了一个Collectors工具类，很好的满足了平时常见的需求(Collector.toList()、Collctor.groupingBy())等等。但特殊时刻还是需要用户自己指定collect传入的参数，精细的控制处理逻辑的，因此还是有必要了解一下collect方法内部原理的。
stream.collect()参数常用工具类：
/**
* stream.collect() 参数常用工具类
*/
public class CollectUtils {
/**
* stream 转换为 List
* */
public static <T> Collector<T, List<T>, List<T>> toList(){
return new Collector<T, List<T>, List<T>>() {
@Override
public Supplier<List<T>> supplier() {
return ArrayList::new;
}
@Override
public BiFunction<List<T>, List<T>, T> accumulator() {
return (list, item) -> {
list.add(item);
return list;
};
}
@Override
public Function<List<T>, List<T>> finisher() {
return list -> list;
}
};
} /**
* stream 转换为 Set
* */
public static <T> Collector<T, Set<T>, Set<T>> toSet(){
return new Collector<T, Set<T>, Set<T>>() {
@Override
public Supplier<Set<T>> supplier() {
return HashSet::new;
}
@Override
public BiFunction<Set<T>, Set<T>, T> accumulator() {
return (set, item) -> {
set.add(item);
return set;
};
}
@Override
public Function<Set<T>, Set<T>> finisher() {
return set -> set;
}
};
}
}
4.6 举例分析
我们选择一个简单而又不失一般性的例子，串联起这些内容。通过完整的描述一个流求值的全过程，加深大家对流的理解。
public static void main(String[] args){
Integer sum = IntegerStreamGenerator.getIntegerStream(1,10)
.filter(item-> item%2 == 0) // 过滤出偶数
.map(item-> item * item) // 映射为平方
.limit(2) // 截取前两个
.reduce(0,(i1,i2)-> i1+i2); // 最终结果累加求和(初始值为0)
System.out.println(sum); //
}
由于我们的stream实现采用的是链式编程的方式，不太好理解，将其展开为逻辑等价的形式。
public static void main(String[] args){
// 生成整数流 1-10
Stream<Integer> intStream = IntegerStreamGenerator.getIntegerStream(1,10);
// intStream基础上过滤出偶数
Stream<Integer> filterStream = intStream.filter(item-> item%2 == 0);
// filterStream基础上映射为平方
Stream<Integer> mapStream = filterStream.map(item-> item * item);
// mapStream基础上截取前两个
Stream<Integer> limitStream = mapStream.limit(2);
// 最终结果累加求和(初始值为0)
Integer sum = limitStream.reduce(0,(i1,i2)-> i1+i2);
System.out.println(sum); //
}
reduce强制求值操作之前的执行过程图：
reduce强制求值过程中的执行过程图 ：
可以看到，stream的求值过程并不会一口气将初始的流全部求值，而是按需的、一个一个的进行求值。
stream的一次求值过程至多只会遍历流中元素一次；如果存在短路操作(limit、anyMatch等)，实际迭代的次数会更少。
因此不必担心多层的map、filter处理逻辑的嵌套会让流进行多次迭代，导致效率急剧下降。
5.stream 总结
5.1 当前版本缺陷
1. 递归调用效率较低
为了代码的简洁性和更加的函数式，当前实现中很多地方都用递归代替了循环迭代。
虽然逻辑上递归和迭代是等价的，但在目前的计算机硬件上，每一层的递归调用都会使得函数调用栈增大，而即使是明显的尾递归调用，java目前也没有能力进行优化。当流需要处理的数据量很大时，将会出现栈溢出，栈空间不足之类的系统错误。
将递归优化为迭代能够显著提高当前版本流的执行效率。
2. API接口较少
限于篇幅，我们只提供了一些较为常用的API接口。在jdk中，Collector工具类提供了很多方便易用的接口；对于同一API接口也提供了多种重载函数给用户使用。
以目前已有的功能为基础，提供一些更加方便的接口并不困难。
3. 不支持并行计算
由于流在求值计算时生成的是对象的副本，是无副作用的，很适合通过数据分片执行并行计算。限于个人水平，在设计之初并没有考虑将并行计算这一特性加入进来。
5.2 函数式编程
仔细分析整个流的执行过程，与其说流是一个对象，不如说流是一个高阶函数(higher-order function)。每当map、filter绑定了一个流，新生成的流其实是一个更加复杂的函数；每一层封装，都会使新生成的流这一高阶函数比起原基础变得更加强大和复杂。map、filter就像一个个的基础算子，在接收对应的过程后(filter(过滤出偶数)、map(平方映射))，可以不断的叠加，完成许许多多非常复杂的操作。
这也是函数式编程的中心思想之一：将计算过程转化为一系列嵌套函数的调用。
5.3 总结
最初是在学习《计算机程序的构造和解释》(SICP)中stream流计算时突发奇想的，想着能不能用java来实现一个和书上类似的流计算框架，能和jdk的stream流功能大致相同，最终，通过反复地思考和尝试才将心中所想以java代码的形式呈现出来。
SICP是一本小众但别具一格的计算机书籍，许多人认为它不太实用。我个人认为，虽然计算机技术发展日新月异，但是计算机技术的基础理论却往往变化缓慢，如果能够抓住技术发展背后那不变的元知识，就不容易在技术的浪潮中失去方向。SICP就是这样一本教授计算机科学元知识的书籍，虽然一开始有点枯燥，却能慢慢品味出其美妙之处。
希望大家在阅读完这篇博客之后，能更好的理解流计算，更好的理解函数式编程。
SICP公开课视频(中英字幕)：https://www.bilibili.com/video/av8515129。
这篇博客的完整代码在我的github上：https://github.com/1399852153/Streamjava，存在许多不足之处，请多多指教。