java8 Stream的实现原理 (从零开始实现一个stream流)

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 personList = fromDB(); // 获得List
int limit = 10; // 限制条件
List 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 personList = fromDB(); // 获得List
List 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 personList = fromDB(); // 获得List
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 {

    /**
     * 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 {

    /**
     * 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 {

    /**
     * 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  {

    /**
     * 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 {

    /**
     * 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 {

    /**
     * 提供初始值
     * @return 初始化的值
     * */
    T get();
}

EvalFunction：stream求值函数

@FunctionalInterface
public interface EvalFunction {

    /**
     * stream流的强制求值方法
     * @return 求值返回一个新的stream
     * */
    MyStream apply();
}

stream API接口：

/**
 * stream流的API接口
 */
public interface Stream {

    /**
     * 映射 lazy 惰性求值
     * @param mapper 转换逻辑 T->R
     * @return 一个新的流
     * */
     MyStream map(Function mapper);

    /**
     * 扁平化 映射 lazy 惰性求值
     * @param mapper 转换逻辑 T->MyStream
     * @return  一个新的流(扁平化之后)
     * */
     MyStream flatMap(Functionextends MyStream, 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 filter(Predicate 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 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 distinct();

    /**
     * 窥视 lazy 惰性求值
     * @return 同一个流，peek不改变流的任何行为
     * */
    MyStream peek(ForEach consumer);

    /**
     * 遍历 eval 强制求值
     * @param consumer 遍历逻辑
     * */
    void forEach(ForEach 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 reduce(R initVal, BiFunction 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 collect(Collector 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 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 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(Predicatesuper 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(Predicatesuper T> predicate);

    /**
     * 返回空的 stream
     * @return 空stream
     * */
    static  MyStream makeEmptyStream(){
        // isEnd = true
        return new MyStream.Builder().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 implements Stream {
    /**
     * 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{
        private MyStream target;

        public Builder() {
            this.target = new MyStream<>();
        }

        public Builder head(T head){
            target.head = head;
            return this;
        }

        Builder isEnd(boolean isEnd){
            target.isEnd = isEnd;
            return this;
        }

        public Builder nextItemEvalProcess(NextItemEvalProcess nextItemEvalProcess){
            target.nextItemEvalProcess = nextItemEvalProcess;
            return this;
        }

        public MyStream build(){
            return target;
        }
    }

   /**
     * 当前流强制求值
     * @return 求值之后返回一个新的流
     * */
    private MyStream 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、reduce、collect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 getIntegerStream(int low, int high){
        return getIntegerStreamInner(low,high,true);
    }

    /**
     * 递归函数。配合getIntegerStream(int low,int high)
     * */
    private static MyStream 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()
                    .process(new NextItemEvalProcess(()->getIntegerStreamInner(low,high,false)))
                    .build();
        }else{
            return new MyStream.Builder()
                    // 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  MyStream getListStream(List 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  MyStream getListStream(Iterator 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()
                    .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()
                    .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  MyStream map(Function 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()
                .nextItemEvalProcess(this.nextItemEvalProcess)
                .build();
    }

   /**
     * 递归函数 配合API.map
     * */
    private static  MyStream map(Function mapper, MyStream myStream){
        if(myStream.isEmptyStream()){
            return Stream.makeEmptyStream();
        }

        R head = mapper.apply(myStream.head);

        return new MyStream.Builder()
                .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  MyStream flatMap(Functionextends MyStream,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()
            .nextItemEvalProcess(this.nextItemEvalProcess)
            .build();
    }

  /**
     * 递归函数 配合API.flatMap
     * */
    private static  MyStream flatMap(Functionextends MyStream,T> mapper, MyStream headMyStream, MyStream myStream){
        if(headMyStream.isEmptyStream()){
            if(myStream.isEmptyStream()){
                return Stream.makeEmptyStream();
            }else{
                T outerHead = myStream.head;
                MyStream newHeadMyStream = mapper.apply(outerHead);

                return flatMap(mapper, newHeadMyStream.eval(), myStream.eval());
            }
        }else{
            return new MyStream.Builder()
                        .head(headMyStream.head)
                        .nextItemEvalProcess(new NextItemEvalProcess(()-> flatMap(mapper, headMyStream.eval(), myStream)))
                        .build();
        }
    }

View Code

filter：

    @Override
    public MyStream filter(Predicate 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  MyStream filter(Predicate predicate, MyStream myStream){
        if(myStream.isEmptyStream()){
            return Stream.makeEmptyStream();
        }

        if(predicate.satisfy(myStream.head)){
            return new Builder()
                    .head(myStream.head)
                    .nextItemEvalProcess(new NextItemEvalProcess(()->filter(predicate, myStream.eval())))
                    .build();
        }else{
            return filter(predicate, myStream.eval());
        }
    }

View Code

limit：

   @Override
    public MyStream 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  MyStream limit(int num, MyStream myStream){
        if(num == 0 || myStream.isEmptyStream()){
            return Stream.makeEmptyStream();
        }

        return new MyStream.Builder()
                .head(myStream.head)
                .nextItemEvalProcess(new NextItemEvalProcess(()->limit(num-1, myStream.eval())))
                .build();
    }

View Code

distinct：

   @Override
    public MyStream 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  MyStream distinct(Set distinctSet,MyStream myStream){
        if(myStream.isEmptyStream()){
            return Stream.makeEmptyStream();
        }

        if(!distinctSet.contains(myStream.head)){
            // 加入集合
            distinctSet.add(myStream.head);

            return new Builder()
                .head(myStream.head)
                .nextItemEvalProcess(new NextItemEvalProcess(()->distinct(distinctSet, myStream.eval())))
                .build();
        }else{
            return distinct(distinctSet, myStream.eval());
        }
    }

View Code

peek：

    @Override
    public MyStream peek(ForEach 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  MyStream peek(ForEach consumer,MyStream myStream){
        if(myStream.isEmptyStream()){
            return Stream.makeEmptyStream();
        }

        consumer.apply(myStream.head);

        return new MyStream.Builder()
            .head(myStream.head)
            .nextItemEvalProcess(new NextItemEvalProcess(()->peek(consumer, myStream.eval())))
            .build();
    }

View Code

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 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  void forEach(ForEach consumer, MyStream 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 reduce(R initVal, BiFunction accumulator, MyStream 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 reduce(R initVal, BiFunction accumulator, MyStream myStream){
        if(myStream.isEmptyStream()){
            return initVal;
        }

        T head = myStream.head;
        R result = reduce(initVal,accumulator, myStream.eval());

        return accumulator.apply(result,head);
    }

View Code

max：

   @Override
    public T max(Comparator comparator) {
        // 终结操作 直接开始求值
        MyStream 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 max(Comparator comparator, MyStream 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);
        }
    }

View Code

min：

   @Override
    public T min(Comparator comparator) {
        // 终结操作 直接开始求值
        MyStream 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 min(Comparator comparator, MyStream 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);
        }
    }

View Code

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  int count(MyStream myStream, int count){
        if(myStream.isEmptyStream()){
            return count;
        }

        // count+1 进行递归
        return count(myStream.eval(),count+1);
    }

View Code

anyMatch：

   @Override
    public boolean anyMatch(Predicatesuper 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  boolean anyMatch(Predicatesuper T> predicate,MyStream 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());
        }
    }

View Code

allMatch：

   @Override
    public boolean allMatch(Predicatesuper 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  boolean allMatch(Predicatesuper T> predicate,MyStream 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;
        }
    }

View Code

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 collect(Collector 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  A collect(Collector collector, MyStream 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 {

    /**
     * 收集时，提供初始化的值
     * */
    Supplier supplier();

    /**
     * A = A + T
     * 累加器，收集时的累加过程
     * */
    BiFunction accumulator();

    /**
     * 收集完成之后的收尾操作
     * */
    Function 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  Collector, List> toList(){
        return new Collector, List>() {
            @Override
            public Supplier> supplier() {
                return ArrayList::new;
            }

            @Override
            public BiFunction, List, T> accumulator() {
                return (list, item) -> {
                    list.add(item);
                    return list;
                };
            }

            @Override
            public Function, List> finisher() {
                return list -> list;
            }
        };
    }

    /**
     * stream 转换为 Set
     * */
    public static  Collector, Set> toSet(){
        return new Collector, Set>() {
            @Override
            public Supplier> supplier() {
                return HashSet::new;
            }

            @Override
            public BiFunction, Set, T> accumulator() {
                return (set, item) -> {
                    set.add(item);
                    return set;
                };
            }

            @Override
            public Function, Set> 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); // 20
    }

　　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 intStream = IntegerStreamGenerator.getIntegerStream(1,10);

        // intStream基础上过滤出偶数
        Stream filterStream =  intStream.filter(item-> item%2 == 0);

        // filterStream基础上映射为平方
        Stream mapStream = filterStream.map(item-> item * item);

        // mapStream基础上截取前两个
        Stream 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); // 20
    }

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。