流（Stream）僅僅代表着數據流，並沒有數據結構，所以他遍歷完一次之后便再也無法遍歷（這點在編程時候需要注意，不像Collection，遍歷多少次里面都還有數據），它的來源可以是Collection、array、io等等。
3.1中間與終點方法
流作用是提供了一種操作大數據接口，讓數據操作更容易和更快。它具有過濾、映射以及減少遍歷數等方法，這些方法分兩種：中間方法和終端方法，“流”抽象天生就該是持續的，中間方法永遠返回的是Stream，因此如果我們要獲取最終結果的話，必須使用終點操作才能收集流產生的最終結果。區分這兩個方法是看他的返回值，如果是Stream則是中間方法，否則是終點方法。具體請參照Stream的api。
簡單介紹下幾個中間方法（filter、map）以及終點方法（collect、sum）
3.1.1Filter
在數據流中實現過濾功能是首先我們可以想到的最自然的操作了。Stream接口暴露了一個filter方法，它可以接受表示操作的Predicate實現來使用定義了過濾條件的lambda表達式。
1 List persons = …
2 Stream personsOver18 = persons.stream().filter(p -> p.getAge() > 18);//過濾18歲以上的人
3.1.2Map
假使我們現在過濾了一些數據，比如轉換對象的時候。Map操作允許我們執行一個Function的實現（Function<T,R>的泛型T,R分別表示執行輸入和執行結果），它接受入參並返回。首先，讓我們來看看怎樣以匿名內部類的方式來描述它：
|
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);//將大於18歲的人轉為成年人 8 } 9 });
|
現在，把上述例子轉換成使用lambda表達式的寫法：
|
1
2
3
|
Stream map = persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person));
|
3.1.3Count
count方法是一個流的終點方法，可使流的結果最終統計，返回int，比如我們計算一下滿足18歲的總人數
|
1
2
3
4
|
int
countOfAdult=persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person))
.count();
|
3.1.4Collect
collect方法也是一個流的終點方法，可收集最終的結果
|
1
2
3
4
|
List adultList= persons.stream()
.filter(p -> p.getAge() >
18
)
.map(person ->
new
Adult(person))
.collect(Collectors.toList());
|
或者，如果我們想使用特定的實現類來收集結果：
|
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，其他的中間方法和終點方法就不一一介紹了，看了上面幾個例子，大家明白這兩種方法的區別即可，后面可根據需求來決定使用。
3.2順序流與並行流
每個Stream都有兩種模式：順序執行和並行執行。
順序流：
|
1
|
List <Person> people = list.getStream.collect(Collectors.toList());
|
並行流：
|
1
|
List <Person> people = list.getStream.parallel().collect(Collectors.toList());
|
顧名思義，當使用順序方式去遍歷時，每個item讀完后再讀下一個item。而使用並行去遍歷時，數組會被分成多個段，其中每一個都在不同的線程中處理，然后將結果一起輸出。
3.2.1並行流原理：
|
1
2
3
4
5
6
|
List originalList = someData;
split1 = originalList(
0
, mid);
//將數據分小部分
split2 = originalList(mid,end);
new
Runnable(split1.process());
//小部分執行操作
new
Runnable(split2.process());
List revisedList = split1 + split2;
//將結果合並
|
大家對hadoop有稍微了解就知道，里面的 MapReduce 本身就是用於並行處理大數據集的軟件框架，其 處理大數據的核心思想就是大而化小，分配到不同機器去運行map，最終通過reduce將所有機器的結果結合起來得到一個最終結果，與MapReduce不同，Stream則是利用多核技術可將大數據通過多核並行處理，而MapReduce則可以分布式的。
3.2.2順序與並行性能測試對比
如果是多核機器，理論上並行流則會比順序流快上一倍，下面是測試代碼
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
long
t0 = System.nanoTime();
//初始化一個范圍100萬整數流,求能被2整除的數字，toArray（）是終點方法
int
a[]=IntStream.range(
0
, 1_000_000).filter(p -> p %
2
==
0
).toArray();
long
t1 = System.nanoTime();
//和上面功能一樣，這里是用並行流來計算
int
b[]=IntStream.range(
0
, 1_000_000).parallel().filter(p -> p %
2
==
0
).toArray();
long
t2 = System.nanoTime();
//我本機的結果是serial: 0.06s, parallel 0.02s，證明並行流確實比順序流快
System.out.printf(
"serial: %.2fs, parallel %.2fs%n"
, (t1 - t0) * 1e-
9
, (t2 - t1) * 1e-
9
);
|