四. 用流收集数据

收集器 -- Stream API的功能

    reduce方法和collect的区别:reduce方法旨在把两个值结合起来生成一个新的值,他是一个不可变的归约。而collect方法的设计就是要改变容器,从而累积要输出的结果。

    1.分组:groupingBy

        -- 多级分组

            Collectors.groupingBy工厂方法创建收集器,它除了普通的分类函数外,还可以接受collector类型的第二个参数。

            进行二级分组时可以把一个内层groupingBy传递给外层groupingBy,并定义一个为流中项目分类的二级标准。

            eg:

//多级分组:先根据种类分组,再在种类中根据卡路里进行分组
public void testDoubleGroup() {
    Map>> dishesByTypeCaloricLevel = getMenu().stream().
            collect(
                Collectors.groupingBy(Dish:: getType, //一级分类函数
                    Collectors.groupingBy(dish -> { //二级分类函数
                            if(dish.getCalories() <= 400) return CaloricLevel.DIET;
                            else if (dish.getCalories() <= 700) return CaloricLevel.NORMAL;
                            else return CaloricLevel.FAT;
                        })
                )
            );
}

        -- 按子组收集数据

            把收集器的结果转换为另一种类型,可以使用Collectors.collectingAndThen工厂方法返回的收集器。

            与groupingBy联合使用的其他收集器:通过groupingBy工厂方法的第二个参数传递的收集器将会对分到同一组中的所有流元素执行进一步的规约操作。

            eg:

//按子组收集数据:与groupingby联合使用的其他收集器
public void testGroupMap() {
    Map totalCaloriesByType = getMenu().stream().collect(Collectors.groupingBy(Dish::getType, Collectors.summingInt(Dish::getCalories)));
    for (Map.Entry entry : totalCaloriesByType.entrySet()) {
        System.out.println("key = " + entry.getKey() + " and value = " + entry.getValue());
    }
}
//按子组收集数据
public void testGroupByMaxType() {
    Map mostValoricByType = getMenu().stream()
        .collect(
            Collectors.groupingBy( //最外层
                Dish::getType, //根据菜肴的类型把菜单流分组,得到三个子流
                Collectors.collectingAndThen( //分组操作的每个子流都用这第二个收集器做进一步规约
                    Collectors.maxBy(Comparator.comparingInt(Dish::getCalories)), //第三个收集器maxBy
                    Optional::get //由规约收集器进行子流的规约操作并进行Optional get转换函数得到各类型中热量最高的Dish
                )
            )
        );
    for (Map.Entry entry : mostValoricByType.entrySet()) {
        System.out.println("key = " + entry.getKey() + " and value = " + entry.getValue().getName());
    }
}


    2.分区:partitioningBy

        分区是分组的特殊情况。

        分区:由一个谓词(返回一个布尔值的函数)作为分类函数,它成分区函数。

        分区函数返回一个布尔值,故得到的分组Map的键类型是Boolean,最多可以分为两组(true,false)。

        因为分区是分组的特殊情况,分区函数也能进行二级分组和将收集器结果转换为另一种类型。

        Collectors类的静态工厂方法:

工厂方法

返回类型

用于

例子

toList

List

把流中所有项目收集到一个List

List dishes = menu.Stream.collect(toList());

toSet

Set

把流中所有项目收集到一个Set,删除重复项

Set dishes = menu.Stream.collect(toSet());

toCollection

Collection

把流中所有项目收集到给定的供应源创建的集合

Collection dishes = menuStream.collect(toCollection(), ArrayList::new);

counting

Long

计算流中元素的个数

long howManyDishes = menuStream.collection(counting());

summingInt

Integer

对流中项目的一个整数属性求和

int totalCalories = menuStream.collect(summingInt(Dish::getCalories));

averagingInt

Double

计算流中项目Integer属性的平均值

double avgCalories = menuStream.collect(averagingInt(Dish::getCalories));

summarizingInt

IntSummaryStatistics

收集关于流中项目Integer属性的统计值,例如最大/最小/总和与平均值

IntSummaryStatistics = menuStream.collect(summarizingInt(Dish::getCalories));

joining

String

连接对流中每个项目调用toString方法所生成的字符串

String shortMenu = menuStream.map(Dish::getName).collect(joining(", "));

maxBy

Optional

一个包裹了流中按照给定比较器选出最大元素的Optional,或如果流为空Optional.empty()

Optional fattest = menuStream.collect(maxBy(comparingInt(Dish::getCaleries)));

minBy

Optional

一个包裹了流中按照给定比较器选出最小元素的Optional,或如果流为空Optional.empty()

Optional lightest = menuStream.collect(minBy(comparingInt(Dish::getCaleries)));

reducing

规约操作产生的类型

从一个作为累加器的初始值开始,利用BinaryOperator与流中元素逐个结合,从而将流规约为单个值

int totalCalories = menuStream.collect(reducing(0, Dish::getCalories, Integer::sum));

collectingAndThen

转换函数返回的类型

包裹另一个收集器,对其结果应用转换函数

int howManyDishes = menuStream.collect(collectingAndThen(toList(), List::size));

groupingBy

Map>

根据项目的一个属性的值对流中的项目作问组,并将属性值作为结果Map的键

Map> dishesByType = menuStream.collect(groupingBy(Dish::getType));

partitioningBy

Map>

根据对流中每个项目应用谓词的结果来对项目进行分区

Map> vegetarianDishes = menuStream.collect(partitioningBy(Dish::isVegetarian));


    3.Collector接口

public interface Collector {
    Supplier supplier();        //建立新的结果容器
    BiConsumer accumulator();    //将元素添加到结果容器
    Function finisher();                //对结果容器应用最终转换(返回累积过程的最后一个要调用的函数)
    BinaryOperator combiner();        //合并两个结果容器
    Set characteristics();    //返回Characteristic集合,定义了收集器的行为(尤其是关于流是否可以并行规约)
}

        -- T是流中要收集的项目的泛型;

        -- A是累加器的类型,累加器是在收集过程中用于累积部分结果的对象;

        -- R是收集操作得到的对象(通常单并不一定是集合)的类型。

        --Characteristic是一个包含三个项目的枚举:

            UNORDERED:归约结果不受流中项目的遍历和累积顺序的影响。

            CONCURRENT:accumulator函数可以从多个线程同时调用,且该收集器可以并行归约流。如果收集器没有标为UNORDERED,那它仅在用于无序数据源时才可以并行归约。

            INDENTITY_FINISH:表明完成器方法返回的函数是一个恒等函数,可以跳过。这种情况下,累加器对象会直接用作归约过程的最终结果。这也意味着,累加器A不加检查地转换为结果R是安全的。

        eg:

/**
* ToListCollector是IDENTITY_FINISH的,因为用来累积流元素中的List已经是我们要的最终结果,用不着进一步转换,
* 但它并不是UNORDERED,因为用在有序流上的时候,我们还是希望顺序能够保留在得到的List中。
* 最后,他是CONCURRENT的,但它仅仅在背后的数据源无序时才会并行处理
* @param 
*/
public class ToListCollector implements Collector, List> {
    /**
    * 创建集合操作点的起始点
    * @return
    */
    @Override
    public Supplier> supplier() {
        return ArrayList::new;
    }
    /**
    * 累积遍历过的项目,原位修改累加器
    * @return
    */
    @Override
    public BiConsumer, T> accumulator() {
        return List::add;
    }
    /**
    * 恒等函数
    * @return
    */
    @Override
    public Function, List> finisher() {
        return Function.identity();
    }
    /**
    *修改第一个累加器,
    * 将其与第二个累加器的内容合并
    * 返回修改后的第一个累加器
    * @return
    */
    @Override
    public BinaryOperator> combiner() {
        return (list1, list2) -> {
            list1.addAll(list2);
            return list1;
        };
    }
    /**
    *为收集器添加IDENTITY_FINISH, CONCURRENT标记
    * @return
    */
    @Override
    public Set characteristics() {
        return Collections.unmodifiableSet(EnumSet.of(IDENTITY_FINISH, CONCURRENT));
    }
}



五. 并行数据处理与性能

    正确高效地使用并行流

    1.并行流

        并行流:是一个把内容分成多个数据块,并用不同的线程分别处理每个数据块的流。

        可以通过对收集源调用parallelStream方法来把集合转换为并行流。

        并行流从哪儿来,有多少个,如何自定义:

            并行流内部使用了默认的ForkJoinPool,它默认的线程数量就是你处理器的数量,这个值是由Runtime.getRuntime().availableProcessors()得到的。

            可以通过系统属性java.util.concurrent.ForkJoinPool.common.parallelism来改变线程池大小。这是一个全部设置。

        并行化的代价:

            并行化过程本身需要对流做递归划分,把每个子流的归纳操作分配到不同的线程,然后把这些操作的结果合并成一个值。

            在多个内核之间移动数据的代价也可能比你想象的要大。

            所以要保证在内核中并行执行工作的时间比在内核之间传输数据时间长。必须用对并行Stream,不要采用不易并行haunted的操作如iterate。

        使用并行流时要避免共享可变状态。

        高效使用并行流:

            -- 测试;

            -- 装箱。自动装箱和拆箱操作会大大降低性能。java8中有原始流类型(IntStream,LongStream,DoubleStream)来避免这种操作,单反有可能都应该使用这些流。

            -- 有些操作本身在并行流上的性能就比顺序流差。limit,findFirst等依赖元素顺序的操作,可以用findAny代替findFirst。可以调用unordered方法来把有序流变成无序流。

            -- 流的操作流水线的总计算成本。一个元素通过流水线的大致处理成本较高就意味着使用并行流时性能好的可能性较大;

            -- 对于比较小的数据量,选择并行流不是一个好的额决定;

            -- 要考虑背后的数据结构是否易于分解。使用range工厂方法创建的原始类型流也可以快速分解;

            -- 流自身的特点,以及流水线中的中间操作修改流的方式,都可能会改变分解过程的性能;

            -- 要考虑终端操作中合并步骤的代价是大是小。

        流的数据源和可分解性:

可分解性

ArrayList

极佳

LinkedList

IntStream.range

极佳

Stream.iterate

HashSet

TreeSet

 

   2.分支/合并框架

        分支/合并框架的目的是以递归的方式将可以并行的任务拆分成更小的任务,然后将每个子任务的结果合并起来生成整体结果。是ExecutorService接口的一个实现,他把子任务分配给线程池ForkJoinPool中的工作线程。

        要把任务交到这个池,必须创建RecursiveTask的一个子类,其中R是并行化任务(一级所有子任务)产生的结果类型,或者入股任务不返回结果,则是RecursiveActive类型。定义RecursiveTask只需实现compute抽象方法。

            该方法的实现类似于:  

if (任务足够小或不可分) {
    顺序计算该任务
} else {       
    将任务分成两个子任务
    递归调用本方法,拆分每个子任务,等待所有子任务完成
    合并每个子任务的结果
}


    3.Spliterator

        可分迭代器。

        和Iterator一样,Spliterator也用于遍历数据源中的元素。但他是为了并行执行而设计的。

public interface Spliterator {
    boolean tryAdvance(Consumer var1);    //类似于普通的Iterator,它会按顺序一个一个使用Spliterator中的元素,如果还有其他元素要遍历就返回true
    Spliterator trySplit();                       //专门为Spliterator接口设计的,它可以把一些元素划分出去给第二个Spliterator(由该方法返回),让它们两个并行处理
    long estimateSize();                             //估计还剩多少元素要遍历
    int characteristics();                           //返回一个int,代表Spliterator本身特性集的编码
}

        Spliterator的特性:  

特性

含义

ORDERED

元素既定的顺序(例如List),因此Spliterator在遍历和划分时也会遵循这一顺序

DISTINCT

对于任意一对遍历过的元素x和y,x.equals(y)返回false

SORTED

遍历的元素按照一个预定义的顺序排序

SIZED

该Spliterator由一个已知大小的源建立(例如Set),因此estimateSize()返回的是准确值

NONNULL

保证遍历的元素不会为null

IMMUTABLE

Spliterator的数据源不能修改。这意味着在遍历时不能添加、删除或修改任何元素

CONCURRENT

该Spliterator的数据源可以被其他线程同时修改而无需同步

SUBSIZED

该Spliterator和所有从它拆分出来的Spliterator都是SIZED