Java8 Stream reduce()

例子：
　　怎樣用map和reduce方法數一數流中有多少個菜呢？
　　答案：要解決這個問題，你可以把流中每個元素都映射成數字1，然后用reduce求和。這相當於按順序數流中的元素個數。

int count = menu.stream()
.map(d -> 1)
.reduce(0, (a, b) -> a + b);

　　map和reduce的連接通常稱為map-reduce模式，因Google用它來進行網絡搜索而出名，因為它很容易並行化。同時，內置count方法也可用來計算流中元素的個數：

long count = menu.stream().count();

歸約方法的優勢與並行化
相比於前面寫的逐步迭代求和，使用reduce的好處在於，這里的迭代被內部迭代抽象掉了，這讓內部實現
得以選擇並行執行reduce操作。而迭代式求和例子要更新共享變量sum，這不是那么容易並行化的。如果你
加入了同步，很可能會發現線程競爭抵消了並行本應帶來的性能提升！這種計算的並行化需要另一種辦法：
將輸入分塊，分塊求和，最后再合並起來。但這樣的話代碼看起來就完全不一樣了。以后你會認識到使用
分支/合並框架來做是什么樣子。但現在重要的是要認識到，可變的累加器模式對於並行化來說是死路一條。
你需要一種新的模式，這正是reduce所提供的。使用流來對所有的元素並行求和時，你的代碼幾乎不用修改：
stream()換成了parallelStream()。
int sum = numbers.parallelStream().reduce(0, Integer::sum);
但要並行執行這段代碼也要付一定代價：傳遞給reduce的Lambda不能更改狀態（如實例變量），而且操作
必須滿足結合律才可以按任意順序執行。

流操作：無狀態和有狀態
	你已經看到了很多的流操作。乍一看流操作簡直是靈丹妙葯，而且只要在從集合生成流的時候把Stream
換成parallelStream就可以實現並行。當然，對於許多應用來說確實是這樣，就像前面的那些例子。你可以
把一張菜單變成流，用filter選出某一類的菜餚，然后對得到的流做map來對卡路里求和，最后reduce得到菜
單的總熱量。這個流計算甚至可以並行進行。但這些操作的特性並不相同。它們需要操作的內部狀態還是有些
問題的。
	諸如map或filter等操作會從輸入流中獲取每一個元素，並在輸出流中得到0或1個結果。這些操作一般
都是無狀態的：它們沒有內部狀態（假設用戶提供的Lambda或方法引用沒有內部可變狀態）。
但諸如reduce、sum、max等操作需要內部狀態來累積結果。在上面的情況下，內部狀態很小。在我們的例
子里就是一個int或double。不管流中有多少元素要處理，內部狀態都是有界的。
	相反，諸如sort或distinct等操作一開始都和filter和map差不多——都是接受一個流，再生成一個流
（中間操作），但有一個關鍵的區別。從流中排序和刪除重復項時都需要知道先前的歷史。例如，排序要求所有
元素都放入緩沖區后才能給輸出流加入一個項目，這一操作的存儲要求是無界的。要是流比較大或是無限的，
就可能會有問題（把質數流倒序會做什么呢？它應當返回最大的質數，但數學告訴我們它不存在）。我們
把這些操作叫作有狀態操作。

中間操作和終端操作

操作	類型	返回類型	使用的類型/函數式接口	函數描述符
filter	中間	Stream<T>	Predicate<T>	T -> boolean
distinct	中間(有狀態-無界)	Stream<T>
skip	中間(有狀態-有界)	Stream<T>	long
limit	中間	Strem<T>	long
map	中間	Stream<R>	Function<T,R>	T -> R
flatMap	中間(有狀態-無界)	Stream<R>	Function<T,Stream<R>>	T -> Stream<R>
sorted	終端	Stream<T>	Comparator<T>	(T, T) -> int
anyMatch	終端	boolean	Predicate<T>	T -> boolean
noneMatch	終端	boolean	Predicate<T>	T -> boolean
allMatch	終端	boolean	Predicate<T>	T -> boolean
findAny	終端	Optional<T>
findFirst	終端	Optional<T>
forEach	終端	void	Consumer<T>	T -> void
collect	終端	R	Collector<T,A,R>
reduce	終端(有狀態-有界)	Optional<T>	BinaryOperator<T>	(T, T) -> T
count	終端	long