流（Stream）仅仅代表着数据流，并没有数据结构，所以他遍历完一次之后便再也无法遍历（这点在编程时候需要注意，不像Collection，遍历多少次里面都还有数据），它的来源可以是Collection、array、io等等。
3.1中间与终点方法
流作用是提供了一种操作大数据接口，让数据操作更容易和更快。它具有过滤、映射以及减少遍历数等方法，这些方法分两种：中间方法和终端方法，“流”抽象天生就该是持续的，中间方法永远返回的是Stream，因此如果我们要获取最终结果的话，必须使用终点操作才能收集流产生的最终结果。区分这两个方法是看他的返回值，如果是Stream则是中间方法，否则是终点方法。具体请参照Stream的api。
简单介绍下几个中间方法（filter、map）以及终点方法（collect、sum）
3.1.1Filter
在数据流中实现过滤功能是首先我们可以想到的最自然的操作了。Stream接口暴露了一个filter方法，它可以接受表示操作的Predicate实现来使用定义了过滤条件的lambda表达式。
1 List persons = …
2 Stream personsOver18 = persons.stream().filter(p -> p.getAge() > 18);//过滤18岁以上的人
3.1.2Map
假使我们现在过滤了一些数据，比如转换对象的时候。Map操作允许我们执行一个Function的实现（Function<T,R>的泛型T,R分别表示执行输入和执行结果），它接受入参并返回。首先，让我们来看看怎样以匿名内部类的方式来描述它：
|
1
2
3
4
5
6
7
8
9
|
1 Stream adult= persons 2 .stream() 3 .filter(p -> p.getAge() > 18) 4 .map(new Function() { 5 @Override 6 public Adult apply(Person person) { 7 return new Adult(person);//将大于18岁的人转为成年人 8 } 9 }); |
现在，把上述例子转换成使用lambda表达式的写法：
|
1
2
3
|
Stream map = persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person));
|
3.1.3Count
count方法是一个流的终点方法，可使流的结果最终统计，返回int，比如我们计算一下满足18岁的总人数
|
1
2
3
4
|
int
countOfAdult=persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person))
.count();
|
3.1.4Collect
collect方法也是一个流的终点方法，可收集最终的结果
|
1
2
3
4
|
List adultList= persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person))
.collect(Collectors.toList());
|
或者，如果我们想使用特定的实现类来收集结果：
|
1
2
3
4
5
|
List adultList = persons
.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person))
.collect(Collectors.toCollection(ArrayList::
new
));
|
篇幅有限，其他的中间方法和终点方法就不一一介绍了，看了上面几个例子，大家明白这两种方法的区别即可，后面可根据需求来决定使用。
3.2顺序流与并行流
每个Stream都有两种模式：顺序执行和并行执行。
顺序流：
|
1
|
List <Person> people = list.getStream.collect(Collectors.toList());
|
并行流：
|
1
|
List <Person> people = list.getStream.parallel().collect(Collectors.toList());
|
顾名思义，当使用顺序方式去遍历时，每个item读完后再读下一个item。而使用并行去遍历时，数组会被分成多个段，其中每一个都在不同的线程中处理，然后将结果一起输出。
3.2.1并行流原理：
|
1
2
3
4
5
6
|
List originalList = someData;
split1 = originalList(
0
, mid);
//将数据分小部分
split2 = originalList(mid,end);
new
Runnable(split1.process());
//小部分执行操作
new
Runnable(split2.process());
List revisedList = split1 + split2;
//将结果合并
|
大家对hadoop有稍微了解就知道，里面的 MapReduce 本身就是用于并行处理大数据集的软件框架，其 处理大数据的核心思想就是大而化小，分配到不同机器去运行map，最终通过reduce将所有机器的结果结合起来得到一个最终结果，与MapReduce不同，Stream则是利用多核技术可将大数据通过多核并行处理，而MapReduce则可以分布式的。
3.2.2顺序与并行性能测试对比
如果是多核机器，理论上并行流则会比顺序流快上一倍，下面是测试代码
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
long
t0 = System.nanoTime();
//初始化一个范围100万整数流,求能被2整除的数字，toArray（）是终点方法
int
a[]=IntStream.range(
0
, 1_000_000).filter(p -> p %
2
==
0
).toArray();
long
t1 = System.nanoTime();
//和上面功能一样，这里是用并行流来计算
int
b[]=IntStream.range(
0
, 1_000_000).parallel().filter(p -> p %
2
==
0
).toArray();
long
t2 = System.nanoTime();
//我本机的结果是serial: 0.06s, parallel 0.02s，证明并行流确实比顺序流快
System.out.printf(
"serial: %.2fs, parallel %.2fs%n"
, (t1 - t0) * 1e-
9
, (t2 - t1) * 1e-
9
);
|