JAVA流式计算
流的简单介绍
Java 8 中，引入了流（Stream）的概念，利用提供的Stream API，我们可以方便的操作集合数据，这种方式很类似于使用SQL对数据库的操作。
如何生成流
利用Stream API，首先我们需要生成流，以下是生成流的常用方式（这里我们只介绍顺序流）：
1、所有继承自Collection的接口都可以直接转化为流：
List l1 = Arrays.asList(1, 2, 3, 4, 5);
Stream stream = l1.stream();
Map s1 = new HashMap<>();
Stream> stream1 = s1.entrySet().stream(); 2、利用Arrays类中的stream()方法：
Integer[] i1 = new Integer[]{1,2,3,4,5};
Stream stream = Arrays.stream(i1); 3、使用Stream类中的静态方法：
Stream stream = Stream.of(1,2,3,4,5); 4、利用BufferedReader读取文本中的内容转化为流：
BufferedReader reader = new BufferedReader(new FileReader("D:\\stream.txt"));
Stream stream = reader.lines(); 我们经常使用的还是方式1，将集合转化为流。
如何操作流
流的主要操作有筛选/切片/查找/匹配/映射/归约
操作流的方法简介
操作流的方法分为两类，一类是惰性求值，一类是及早求值；
惰性求值并不是立刻执行的，而是将求值的过程记录下，在进行及早求值的时候，才会按顺序执行前面的惰性求值，一般的执行过程如下：
Stream.惰性求值.惰性求值. ... .惰性求值.及早求值区分是惰性求值还是及早求值，可以通过方法的返回值来判断，返回值时Stream类型的就是惰性求值
在介绍如何通过Stream API对流进行操作前，我们首先了解下函数式接口的相关知识（后面介绍的Stream API中会使用到这些函数式接口），这里只作简单介绍。
函数式接口
所谓函数式接口，是指只含有一个抽象方法的接口，一般加@FunctionalInterface注解加以标注，函数式接口可以被隐式地转化为Lamada表达式；
这里我们主要介绍了java.util.function包下的四个常用的函数式接口：
| 接口 | 方法 | 简介 |
|---|---|---|
| Consumer | void accept(T t) | 消费接口，接收一个T类型的对象 |
| Supplier | T get() | 供给接口，返回一个T类型的对象 |
| Function | R apply(T t) | 映射接口，接收一个T类类型的对象转换为R类型的对象 |
| Predicate | boolean test(T t) | 判断接口，判断一个T类型的对象是否满足某个条件，返回一个boolean类型 |
使用Stream API操作流
首先我们将java.util.stream.stream类中的API进行分类：
| 方法类型 | 方法名 | |
|---|---|---|
| 惰性求值 | 无状态 | filter();map();mapToInt();mapToLong();mapToDouble;flatMap()... |
| 有状态 | distinct();sorted();skip();limit()... | |
| 及早求值 | 非短路操作 | reduce();forEach();collect();min();max();count()... |
| 短路操作 | anyMatch();allMatch()... |
无状态：元素的处理是独立的，不受前面元素的影响；
有状态：元素的处理不是独立的，受到前面元素的影响；
非短路：必须处理完所有元素才能得到结果；
短路：不需要处理完所有元素就能得到结果；下面我们介绍下常用的Stream方法
1、filter()
方法定义：
Stream filter(Predicate predicate) 方法介绍：
用于对数据进行过滤，筛选出符合条件的数据；
接收一个Predicate的函数接口，用于进行条件的过滤；返回符合条件的数据组成的一个新的流；代码示例：
List l1 = Arrays.asList(1,2,3,4,5);
//过滤出大于2的元素
Stream integerStream = l1.stream().filter(s -> s > 2); 2、map()
方法定义：
Stream map(Function mapper); 方法介绍：
对数据进行处理，将T类型的对象转化为R类型的对象，简单来说就是对流中的数据进行同一项操作；
接收一个Function的函数接口，用于对数据处理；返回R类型的数据组成的一个新的流；代码示例：
List l2 = Arrays.asList("A", "B", "C");
//将每个元素全部转化为小写
Stream stringStream = l2.stream().map(s -> s.toLowerCase()); 注：mapToInt(),mapToLong(),mapToDouble()，这是java针对基本数据类型封装出对应的流，这里就不在介绍；
3、flatMap()
方法定义：
Stream flatMap(Function> mapper) 方法介绍：
将流中的每一个元素转化为一个流，然后将转化的一个个流组合成一个新的流；
接收一个Function的函数接口，用于对数据处理；返回R类型的数据组成的一个新的流；代码示例：
List> l3 = Arrays.asList(Arrays.asList(1,2,5,4,7),Arrays.asList(4,8,6,9,4));
//将l3中的每个元素（List）,转化为一个个流，然后组合成一个新的流
Stream integerStream1 = l3.stream().flatMap(s -> s.stream()); 4、sorted()
方法定义：
Stream sorted();
Stream sorted(Comparator comparator); 方法介绍：
将流中的数据进行排序，然后排序后的数据组合成一个新的流；
无参的方法，默认按照升序升序进行排列；
有参的方法，需要传入Comparator接口的一个实现类，按照该实现进行排序操作；代码示例：
List l1 = Arrays.asList(2,1,4,5);
//升序排列
Stream sorted = l1.stream().sorted();
//降序排列
Stream sorted1 = l1.stream().sorted((t1, t2) -> { return t1 < t2 ? 1 : t1 == t2 ? 0 : -1; }); 5、reduce()
方法定义：
Optional reduce(BinaryOperator accumulator);
T reduce(T identity, BinaryOperator accumulator);
U reduce(U identity,BiFunction accumulator,BinaryOperator combiner); 方法介绍：
将流中的数据进行规约，返回规约后的数据；
Optional reduce(BinaryOperator accumulator)：第一次执行时，accumulator函数的第一个参数为流中的第一个元素，第二个参数为流中元素的第二个元素；第二次执行时，第一个参数为第一次函数执行的结果，第二个参数为流中的第三个元素；依次类推。
T reduce(T identity, BinaryOperator accumulator)：流程跟上面一样，只是第一次执行时，accumulator函数的第一个参数为identity，而第二个参数为流中的第一个元素。
U reduce(U identity,BiFunction accumulator,BinaryOperator combiner)：在串行流(stream)中，第三个参数combiner不会起作用,该方法跟第二个方法一样。在并行流(parallelStream)中,道流被fork join出多个线程进行执行，此时每个线程的执行流程就跟第二个方法reduce(identity,accumulator)一样，而第三个参数combiner函数，则是对每个线程的执行结果进行规约，最终返回结果。 代码示例：
List l1 = Arrays.asList(2,1,4,5);
//求和，返回的是Optional对象
Optional reduce = l1.stream().reduce((t1, t2) -> t1 + t2);
//求和返回的是Integer对象
Integer reduce1 = l1.stream().reduce(0, (t1, t2) -> t1 + t2);
//每个单独的并行流进行求和操作，并行流输出的结果进行相乘操作输出最终结果
Integer reduce2 = l1.parallelStream().reduce(0, (t1, t2) -> t1 + t2, (s1, s2) -> s1 * s2); 6、collect()
方法定义：
方法介绍：
将流中的数据转化为一个新的数据结构；
R collect(Collector collector)：传入一个想要输出的集合类型，一般通过Collectors创建集合类型
R collect(Supplier supplier,BiConsumer accumulator,BiConsumer combiner)：第一个参数supplier为结果存放容器,第二个参数accumulator为结果如何添加到容器的操作,第三个参数combiner则为多个容器的聚合策略 代码示例：
//将流转化为List数据结构
List collect1 = Stream.of(1, 2, 3).collect(Collectors.toList());
//将流转化为Map结构
Student student1 = new Student("xiaoni", "male", 15);
Student student2 = new Student("xiaohua", "female", 20);
List l1 = new ArrayList<>();
l1.add(student1);
l1.add(student2);
HashMap collect = l1.stream()
.collect(() -> new HashMap(),
(h, v) -> {h.put(v.getName(),v);},
HashMap::putAll); 7、综合训练
public static void main(String[] args) throws FileNotFoundException {
Student s1 = new Student("xiaoni", "male", 18);
Student s2 = new Student("xiaohua", "female", 20);
Student s3 = new Student("xiaodong", "male", 19);
Student s4 = new Student("xiaoben", "male", 24);
Student s5 = new Student("xiaoyun", "female", 23);
Student s6 = new Student("xiaojing", "female", 20);
List l1 = new ArrayList<>();
l1.add(s1);
l1.add(s2);
l1.add(s3);
l1.add(s4);
l1.add(s5);
//统计男生的数量
long count = l1.stream().filter(s -> "male".equals(s.getSex())).count();
System.out.println("男生数量："+count);
//按年龄从大到小进行排序
List collect = l1.stream()
.sorted((k1,k2) ->
{
int a1 = k1.getAge();
int a2 = k2.getAge();
return a1 < a2 ? 1 : a1 == a2 ? 0 : -1;
})
.collect(Collectors.toList());
System.out.println("按年龄排序:" + collect);
//求所有学生的年龄之和
long count1 = l1.stream().mapToInt(s -> s.getAge()).sum();
System.out.println("年龄之和：" + count1);
//将数据存放到map中，学生姓名作为key值
Map collect1 = l1.stream().collect(Collectors.toMap(Student::getName, s -> s));
System.out.println("map中的学生："+collect1);
List l2 = Arrays.asList(1,5,4,7,9,2,4,5,1);
//输出最小的三个数字，不包含重复的数字
List l3 = l2.stream().distinct().sorted(Integer::compareTo).limit(3).collect(Collectors.toList());
System.out.println("最小的三个数："+l3);
//输出第二小的数字
List l4 = l2.stream().distinct().sorted(Integer::compareTo).skip(1).limit(1).collect(Collectors.toList());
System.out.println("第二小的数字："+l4);
}