Stream流

数据源
数据处理
数据结果
filter 过滤
limit 取前几
sorted 排序
max、min、count
map 对集合中的元素进行特定的操作
reduce 将所有的元素按照传入的逻辑进行处理，并且会把结果合并成一个值进行返回
collection 基于目标集合生成新的数组

public class Test {public static void main(String[] args) {List<User> list = Arrays.asList(new User("小明", 20, 3000),new User("小红", 20, 2000),new User("小亮", 22, 5000));// stream 流Predicate<User> predicate1 = user -> user.getAge() < 21;Predicate<User> predicate2 = user -> user.getAge() < 2000;List<User> collect = list.stream().filter(predicate1.or(predicate2)).collect(Collectors.toList());System.out.println(collect);// filter 过滤List<String> testList = Arrays.asList("Hello", "World", "Java");testList.stream().filter(str -> str.length() >= 5).forEach(str -> System.out.println(str));// limittestList.stream().limit(2).forEach(str -> System.out.println(str));// sorted 排序List<Integer> integerList = Arrays.asList(1, 6, 5, 4, 2, 3);integerList.stream().sorted()//正序.sorted(Comparator.reverseOrder())//反序.forEach(num -> System.out.println(num));// max、min、countSystem.out.println("最大的数：" + integerList.stream().max(Integer::compareTo).get());System.out.println("最小的数：" + integerList.stream().min(Integer::compareTo).get());System.out.println("集合长度：" + integerList.stream().count());// map 对集合中的元素进行特定的操作integerList.stream().map(num -> num + 10).forEach(num -> System.out.println(num));// reduce 将所有的元素按照传入的逻辑进行处理，并且会把结果合并成一个值进行返回System.out.println("集合中的元素求和为：" + integerList.stream().reduce((sum, num) -> sum + num).get());// collection 基于目标集合生成新的数组List<Integer> collectList = integerList.stream().filter(num -> num % 2 == 0).collect(Collectors.toList());System.out.println("偶数集合：" + collectList);}
}

使用Stream流对集合进行分页

// 通过流处理进行分页
List<String> subList = denyList.stream().skip((pageNo-1)*pageSize) // 跳过（第pageNo页-1）*每页多少条 例如：第一页就是跳过0条，第二页跳过1*每页的条数....limit(pageSize)// 取pageSize条数据.collect(Collectors.toList());// 将过滤的数据输出成集合

对集合中实体中某个字段进行去重

// 使用
List<TopicReplyRecord> filterDistinctList = notUserNameCommentsList.stream().filter(distinctByKey(TopicReplyRecord::getReply_record_id)).collect(Collectors.toList());private static <T> Predicate<T> distinctByKey(Function<? super T, Object> keyExtractor) {ConcurrentHashMap<Object, Boolean> map = new ConcurrentHashMap<>();return t -> map.putIfAbsent(keyExtractor.apply(t), Boolean.TRUE) == null;}

Stream流性能分析

1、性能分析
在少数据量的处理场景中（size <= 1000）
stream 的处理效率是不如传统的 iterator 外部迭代器处理速度快的，但是实际上这些处理任务本身运行时间都低于毫秒，这点效率的差距对普通业务几乎没有影响，反而 stream 可以使得代码更加简洁；

在大量数据（size > 10000）
stream 的处理效率会高于 iterator，特别是使用了并行流，在 cpu 恰好将线程分配到多个核心的条件下（当然 parallel stream 底层使用的是 JVM 的 ForkJoinPool，这东西分配线程本身就很玄学），可以达到一个很高的运行效率，然而实际普通业务一般不会有需要迭代高于 10000 次的计算；

Parallel Stream （并行流）
Parallel Stream 受引 CPU 环境影响很大，当没分配到多个 cpu 核心时，加上引用 forkJoinPool 的开销，运行效率可能还不如普通的 Stream；

2、使用建议
简单的迭代逻辑，可以直接使用 iterator，对于有多步处理的迭代逻辑，可以使用 stream，损失一点几乎没有的效率，换来代码的高可读性是值得的；

单核 cpu 环境，不推荐使用 parallel stream，在多核 cpu 且有大数据量的条件下，推荐使用 paralle stream；
stream 中含有装箱类型，在进行中间操作之前，最好转成对应的数值流，减少由于频繁的拆箱、装箱造成的性能损失。