由于最近一直在用scala寫spark程序，發現java8的流新特性跟scala幾乎一個思維，所以整理出來互相學習下

image

Stream 流可以說是 Java8 新特性中用起來最爽的一個功能了，有了它，從此操作集合告別繁瑣的 for 循環。但是還有很多小伙伴對 Stream 流不是很了解。今天就通過這篇 @Winterbe 的譯文，一起深入了解下如何使用它吧。

目錄

一、Stream 流是如何工作的？

二、不同類型的 Stream 流

三、Stream 流的處理順序

四、中間操作順序這么重要？

五、數據流復用問題

六、高級操作

• 6.1 Collect
• 6.2 FlatMap
• 6.3 Reduce

七、并行流

八、結語

當我第一次閱讀 Java8 中的 Stream API 時，說實話，我非常困惑，因為它的名字聽起來與 Java I0 框架中的 InputStream 和 OutputStream 非常類似。但是實際上，它們完全是不同的東西。

Java8 Stream 使用的是函數式編程模式，如同它的名字一樣，它可以被用來對集合進行鏈狀流式的操作。

本文就將帶著你如何使用 Java 8 不同類型的 Stream 操作。同時您還將了解流的處理順序，以及不同順序的流操作是如何影響運行時性能的。

我們還將學習終端操作 API reduce，collect 以及flatMap的詳細介紹，最后我們再來深入的探討一下 Java8 并行流。

注意：如果您還不熟悉 Java 8 lambda 表達式，函數式接口以及方法引用，您可以先閱讀一下小哈的另一篇譯文 《Java8 新特性教程》

接下來，就讓我們進入正題吧！

一、Stream 流是如何工作的？

流表示包含著一系列元素的集合，我們可以對其做不同類型的操作，用來對這些元素執行計算。聽上去可能有點拗口，讓我們用代碼說話：

List<String> myList =
    Arrays.asList("a1", "a2", "b1", "c2", "c1");

myList
    .stream() // 創建流
    .filter(s -> s.startsWith("c")) // 執行過濾，過濾出以 c 為前綴的字符串
    .map(String::toUpperCase) // 轉換成大寫
    .sorted() // 排序
    .forEach(System.out::println); // for 循環打印

// C1
// C2

我們可以對流進行中間操作或者終端操作。小伙伴們可能會疑問？什么是中間操作？什么又是終端操作？

image

• ①：中間操作會再次返回一個流，所以，我們可以鏈接多個中間操作，注意這里是不用加分號的。上圖中的filter 過濾，map 對象轉換，sorted 排序，就屬于中間操作。
• ②：終端操作是對流操作的一個結束動作，一般返回 void 或者一個非流的結果。上圖中的 forEach循環 就是一個終止操作。

看完上面的操作，感覺是不是很像一個流水線式操作呢。

實際上，大部分流操作都支持 lambda 表達式作為參數，正確理解，應該說是接受一個函數式接口的實現作為參數。

二、不同類型的 Stream 流

我們可以從各種數據源中創建 Stream 流，其中以 Collection 集合最為常見。如 List 和 Set 均支持 stream() 方法來創建順序流或者是并行流。

并行流是通過多線程的方式來執行的，它能夠充分發揮多核 CPU 的優勢來提升性能。本文在最后再來介紹并行流，我們先討論順序流：

Arrays.asList("a1", "a2", "a3")
    .stream() // 創建流
    .findFirst() // 找到第一個元素
    .ifPresent(System.out::println);  // 如果存在，即輸出

// a1

在集合上調用stream()方法會返回一個普通的 Stream 流。但是, 您大可不必刻意地創建一個集合，再通過集合來獲取 Stream 流，您還可以通過如下這種方式：

Stream.of("a1", "a2", "a3")
    .findFirst()
    .ifPresent(System.out::println);  // a1

例如上面這樣，我們可以通過 Stream.of() 從一堆對象中創建 Stream 流。

除了常規對象流之外，Java 8還附帶了一些特殊類型的流，用于處理原始數據類型int，long以及double。說道這里，你可能已經猜到了它們就是IntStream，LongStream還有DoubleStream。

其中，IntStreams.range()方法還可以被用來取代常規的 for 循環, 如下所示：

IntStream.range(1, 4)
    .forEach(System.out::println); // 相當于 for (int i = 1; i < 4; i++) {}

// 1
// 2
// 3

上面這些原始類型流的工作方式與常規對象流基本是一樣的，但還是略微存在一些區別：

• 原始類型流使用其獨有的函數式接口，例如IntFunction代替Function，IntPredicate代替Predicate。

• 原始類型流支持額外的終端聚合操作，sum()以及average()，如下所示：

Arrays.stream(new int[] {1, 2, 3})
    .map(n -> 2 * n + 1) // 對數值中的每個對象執行 2*n + 1 操作
    .average() // 求平均值
    .ifPresent(System.out::println);  // 如果值不為空，則輸出
// 5.0

但是，偶爾我們也有這種需求，需要將常規對象流轉換為原始類型流，這個時候，中間操作 mapToInt()，mapToLong() 以及mapToDouble就派上用場了：

Stream.of("a1", "a2", "a3")
    .map(s -> s.substring(1)) // 對每個字符串元素從下標1位置開始截取
    .mapToInt(Integer::parseInt) // 轉成 int 基礎類型類型流
    .max() // 取最大值
    .ifPresent(System.out::println);  // 不為空則輸出

// 3

如果說，您需要將原始類型流裝換成對象流，您可以使用 mapToObj()來達到目的：

IntStream.range(1, 4)
    .mapToObj(i -> "a" + i) // for 循環 1->4, 拼接前綴 a
    .forEach(System.out::println); // for 循環打印

// a1
// a2
// a3

下面是一個組合示例，我們將雙精度流首先轉換成 int 類型流，然后再將其裝換成對象流：

Stream.of(1.0, 2.0, 3.0)
    .mapToInt(Double::intValue) // double 類型轉 int
    .mapToObj(i -> "a" + i) // 對值拼接前綴 a
    .forEach(System.out::println); // for 循環打印

// a1
// a2
// a3

三、Stream 流的處理順序

上小節中，我們已經學會了如何創建不同類型的 Stream 流，接下來我們再深入了解下數據流的執行順序。

在討論處理順序之前，您需要明確一點，那就是中間操作的有個重要特性 —— 延遲性。觀察下面這個沒有終端操作的示例代碼：

Stream.of("d2", "a2", "b1", "b3", "c")
    .filter(s -> {
        System.out.println("filter: " + s);
        return true;
    });

執行此代碼段時，您可能會認為，將依次打印 "d2", "a2", "b1", "b3", "c" 元素。然而當你實際去執行的時候，它不會打印任何內容。

為什么呢？

原因是：當且僅當存在終端操作時，中間操作操作才會被執行。

是不是不信？接下來，對上面的代碼添加 forEach終端操作：

Stream.of("d2", "a2", "b1", "b3", "c")
    .filter(s -> {
        System.out.println("filter: " + s);
        return true;
    })
    .forEach(s -> System.out.println("forEach: " + s));

再次執行，我們會看到輸出如下：

filter:  d2
forEach: d2
filter:  a2
forEach: a2
filter:  b1
forEach: b1
filter:  b3
forEach: b3
filter:  c
forEach: c

輸出的順序可能會讓你很驚訝！你腦海里肯定會想，應該是先將所有 filter 前綴的字符串打印出來，接著才會打印 forEach 前綴的字符串。

事實上，輸出的結果卻是隨著鏈條垂直移動的。比如說，當 Stream 開始處理 d2 元素時，它實際上會在執行完 filter 操作后，再執行 forEach 操作，接著才會處理第二個元素。

是不是很神奇？為什么要設計成這樣呢？

原因是出于性能的考慮。這樣設計可以減少對每個元素的實際操作數，看完下面代碼你就明白了：

Stream.of("d2", "a2", "b1", "b3", "c")
    .map(s -> {
        System.out.println("map: " + s);
        return s.toUpperCase(); // 轉大寫
    })
    .anyMatch(s -> {
        System.out.println("anyMatch: " + s);
        return s.startsWith("A"); // 過濾出以 A 為前綴的元素
    });

// map:      d2
// anyMatch: D2
// map:      a2
// anyMatch: A2

終端操作 anyMatch()表示任何一個元素以 A 為前綴，返回為 true，就停止循環。所以它會從 d2 開始匹配，接著循環到 a2 的時候，返回為 true ，于是停止循環。

由于數據流的鏈式調用是垂直執行的，map這里只需要執行兩次。相對于水平執行來說，map會執行盡可能少的次數，而不是把所有元素都 map 轉換一遍。

四、中間操作順序這么重要？

下面的例子由兩個中間操作map和filter，以及一個終端操作forEach組成。讓我們再來看看這些操作是如何執行的：

Stream.of("d2", "a2", "b1", "b3", "c")
    .map(s -> {
        System.out.println("map: " + s);
        return s.toUpperCase(); // 轉大寫
    })
    .filter(s -> {
        System.out.println("filter: " + s);
        return s.startsWith("A"); // 過濾出以 A 為前綴的元素
    })
    .forEach(s -> System.out.println("forEach: " + s)); // for 循環輸出

// map:     d2
// filter:  D2
// map:     a2
// filter:  A2
// forEach: A2
// map:     b1
// filter:  B1
// map:     b3
// filter:  B3
// map:     c
// filter:  C

學習了上面一小節，您應該已經知道了，map和filter會對集合中的每個字符串調用五次，而forEach卻只會調用一次，因為只有 "a2" 滿足過濾條件。

如果我們改變中間操作的順序，將filter移動到鏈頭的最開始，就可以大大減少實際的執行次數：

Stream.of("d2", "a2", "b1", "b3", "c")
    .filter(s -> {
        System.out.println("filter: " + s)
        return s.startsWith("a"); // 過濾出以 a 為前綴的元素
    })
    .map(s -> {
        System.out.println("map: " + s);
        return s.toUpperCase(); // 轉大寫
    })
    .forEach(s -> System.out.println("forEach: " + s)); // for 循環輸出

// filter:  d2
// filter:  a2
// map:     a2
// forEach: A2
// filter:  b1
// filter:  b3
// filter:  c

現在，map僅僅只需調用一次，性能得到了提升，這種小技巧對于流中存在大量元素來說，是非常很有用的。

接下來，讓我們對上面的代碼再添加一個中間操作sorted：

Stream.of("d2", "a2", "b1", "b3", "c")
    .sorted((s1, s2) -> {
        System.out.printf("sort: %s; %s\n", s1, s2);
        return s1.compareTo(s2); // 排序
    })
    .filter(s -> {
        System.out.println("filter: " + s);
        return s.startsWith("a"); // 過濾出以 a 為前綴的元素
    })
    .map(s -> {
        System.out.println("map: " + s);
        return s.toUpperCase(); // 轉大寫
    })
    .forEach(s -> System.out.println("forEach: " + s)); // for 循環輸出

sorted 是一個有狀態的操作，因為它需要在處理的過程中，保存狀態以對集合中的元素進行排序。

執行上面代碼，輸出如下：

sort:    a2; d2
sort:    b1; a2
sort:    b1; d2
sort:    b1; a2
sort:    b3; b1
sort:    b3; d2
sort:    c; b3
sort:    c; d2
filter:  a2
map:     a2
forEach: A2
filter:  b1
filter:  b3
filter:  c
filter:  d2

咦咦咦？這次怎么又不是垂直執行了。你需要知道的是，sorted是水平執行的。因此，在這種情況下，sorted會對集合中的元素組合調用八次。這里，我們也可以利用上面說道的優化技巧，將 filter 過濾中間操作移動到開頭部分：

Stream.of("d2", "a2", "b1", "b3", "c")
    .filter(s -> {
        System.out.println("filter: " + s);
        return s.startsWith("a");
    })
    .sorted((s1, s2) -> {
        System.out.printf("sort: %s; %s\n", s1, s2);
        return s1.compareTo(s2);
    })
    .map(s -> {
        System.out.println("map: " + s);
        return s.toUpperCase();
    })
    .forEach(s -> System.out.println("forEach: " + s));

// filter:  d2
// filter:  a2
// filter:  b1
// filter:  b3
// filter:  c
// map:     a2
// forEach: A2

從上面的輸出中，我們看到了 sorted從未被調用過，因為經過filter過后的元素已經減少到只有一個，這種情況下，是不用執行排序操作的。因此性能被大大提高了。

五、數據流復用問題

Java8 Stream 流是不能被復用的，一旦你調用任何終端操作，流就會關閉：

Stream<String> stream =
    Stream.of("d2", "a2", "b1", "b3", "c")
        .filter(s -> s.startsWith("a"));

stream.anyMatch(s -> true);    // ok
stream.noneMatch(s -> true);   // exception

當我們對 stream 調用了 anyMatch 終端操作以后，流即關閉了，再調用 noneMatch 就會拋出異常：

java.lang.IllegalStateException: stream has already been operated upon or closed
    at java.util.stream.AbstractPipeline.evaluate(AbstractPipeline.java:229)
    at java.util.stream.ReferencePipeline.noneMatch(ReferencePipeline.java:459)
    at com.winterbe.java8.Streams5.test7(Streams5.java:38)
    at com.winterbe.java8.Streams5.main(Streams5.java:28)

為了克服這個限制，我們必須為我們想要執行的每個終端操作創建一個新的流鏈，例如，我們可以通過 Supplier 來包裝一下流，通過 get() 方法來構建一個新的 Stream流，如下所示：

Supplier<Stream<String>> streamSupplier =
    () -> Stream.of("d2", "a2", "b1", "b3", "c")
            .filter(s -> s.startsWith("a"));

streamSupplier.get().anyMatch(s -> true);   // ok
streamSupplier.get().noneMatch(s -> true);  // ok

通過構造一個新的流，來避開流不能被復用的限制, 這也是取巧的一種方式。

六、高級操作

Streams 支持的操作很豐富，除了上面介紹的這些比較常用的中間操作，如filter或map（參見Stream Javadoc）外。還有一些更復雜的操作，如collect，flatMap以及reduce。接下來，就讓我們學習一下：

本小節中的大多數代碼示例均會使用以下 List<Person>進行演示：

class Person {
    String name;
    int age;

    Person(String name, int age) {
        this.name = name;
        this.age = age;
    }

    @Override
    public String toString() {
        return name;
    }
}

// 構建一個 Person 集合
List<Person> persons =
    Arrays.asList(
        new Person("Max", 18),
        new Person("Peter", 23),
        new Person("Pamela", 23),
        new Person("David", 12));

6.1 Collect

collect 是一個非常有用的終端操作，它可以將流中的元素轉變成另外一個不同的對象，例如一個List，Set或Map。collect 接受入參為Collector（收集器），它由四個不同的操作組成：供應器（supplier）、累加器（accumulator）、組合器（combiner）和終止器（finisher）。

這些都是個啥？別慌，看上去非常復雜的樣子，但好在大多數情況下，您并不需要自己去實現收集器。因為 Java 8通過Collectors類內置了各種常用的收集器，你直接拿來用就行了。

讓我們先從一個非常常見的用例開始：

List<Person> filtered =
    persons
        .stream() // 構建流
        .filter(p -> p.name.startsWith("P")) // 過濾出名字以 P 開頭的
        .collect(Collectors.toList()); // 生成一個新的 List

System.out.println(filtered);    // [Peter, Pamela]

你也看到了，從流中構造一個 List 異常簡單。如果說你需要構造一個 Set 集合，只需要使用Collectors.toSet()就可以了。

接下來這個示例，將會按年齡對所有人進行分組：

Map<Integer, List<Person>> personsByAge = persons
    .stream()
    .collect(Collectors.groupingBy(p -> p.age)); // 以年齡為 key,進行分組

personsByAge
    .forEach((age, p) -> System.out.format("age %s: %s\n", age, p));

// age 18: [Max]
// age 23: [Peter, Pamela]
// age 12: [David]

除了上面這些操作。您還可以在流上執行聚合操作，例如，計算所有人的平均年齡：

Double averageAge = persons
    .stream()
    .collect(Collectors.averagingInt(p -> p.age)); // 聚合出平均年齡

System.out.println(averageAge);     // 19.0

如果您還想得到一個更全面的統計信息，摘要收集器可以返回一個特殊的內置統計對象。通過它，我們可以簡單地計算出最小年齡、最大年齡、平均年齡、總和以及總數量。

IntSummaryStatistics ageSummary =
    persons
        .stream()
        .collect(Collectors.summarizingInt(p -> p.age)); // 生成摘要統計

System.out.println(ageSummary);
// IntSummaryStatistics{count=4, sum=76, min=12, average=19.000000, max=23}

下一個這個示例，可以將所有人名連接成一個字符串：

String phrase = persons
    .stream()
    .filter(p -> p.age >= 18) // 過濾出年齡大于等于18的
    .map(p -> p.name) // 提取名字
    .collect(Collectors.joining(" and ", "In Germany ", " are of legal age.")); // 以 In Germany 開頭，and 連接各元素，再以 are of legal age. 結束

System.out.println(phrase);
// In Germany Max and Peter and Pamela are of legal age.

連接收集器的入參接受分隔符，以及可選的前綴以及后綴。

對于如何將流轉換為 Map集合，我們必須指定 Map 的鍵和值。這里需要注意，Map 的鍵必須是唯一的，否則會拋出IllegalStateException 異常。

你可以選擇傳遞一個合并函數作為額外的參數來避免發生這個異常:

Map<Integer, String> map = persons
    .stream()
    .collect(Collectors.toMap(
        p -> p.age,
        p -> p.name,
        (name1, name2) -> name1 + ";" + name2)); // 對于同樣 key 的，將值拼接

System.out.println(map);
// {18=Max, 23=Peter;Pamela, 12=David}

既然我們已經知道了這些強大的內置收集器，接下來就讓我們嘗試構建自定義收集器吧。

比如說，我們希望將流中的所有人轉換成一個字符串，包含所有大寫的名稱，并以|分割。為了達到這種效果，我們需要通過Collector.of()創建一個新的收集器。同時，我們還需要傳入收集器的四個組成部分：供應器、累加器、組合器和終止器。

Collector<Person, StringJoiner, String> personNameCollector =
    Collector.of(
        () -> new StringJoiner(" | "),          // supplier 供應器
        (j, p) -> j.add(p.name.toUpperCase()),  // accumulator 累加器
        (j1, j2) -> j1.merge(j2),               // combiner 組合器
        StringJoiner::toString);                // finisher 終止器

String names = persons
    .stream()
    .collect(personNameCollector); // 傳入自定義的收集器

System.out.println(names);  // MAX | PETER | PAMELA | DAVID

由于Java 中的字符串是 final 類型的，我們需要借助輔助類StringJoiner，來幫我們構造字符串。

最開始供應器使用分隔符構造了一個StringJointer。

累加器用于將每個人的人名轉大寫，然后加到StringJointer中。

組合器將兩個StringJointer合并為一個。

最終，終結器從StringJointer構造出預期的字符串。

6.2 FlatMap

上面我們已經學會了如通過map操作, 將流中的對象轉換為另一種類型。但是，Map只能將每個對象映射到另一個對象。

如果說，我們想要將一個對象轉換為多個其他對象或者根本不做轉換操作呢？這個時候，flatMap就派上用場了。

FlatMap 能夠將流的每個元素, 轉換為其他對象的流。因此，每個對象可以被轉換為零個，一個或多個其他對象，并以流的方式返回。之后，這些流的內容會被放入flatMap返回的流中。

在學習如何實際操作flatMap之前，我們先新建兩個類，用來測試：

class Foo {
    String name;
    List<Bar> bars = new ArrayList<>();

    Foo(String name) {
        this.name = name;
    }
}

class Bar {
    String name;

    Bar(String name) {
        this.name = name;
    }
}

接下來，通過我們上面學習到的流知識，來實例化一些對象：

List<Foo> foos = new ArrayList<>();

// 創建 foos 集合
IntStream
    .range(1, 4)
    .forEach(i -> foos.add(new Foo("Foo" + i)));

// 創建 bars 集合
foos.forEach(f ->
    IntStream
        .range(1, 4)
        .forEach(i -> f.bars.add(new Bar("Bar" + i + " <- " + f.name))));

我們創建了包含三個foo的集合，每個foo中又包含三個 bar。

flatMap 的入參接受一個返回對象流的函數。為了處理每個foo中的bar，我們需要傳入相應 stream 流：

foos.stream()
    .flatMap(f -> f.bars.stream())
    .forEach(b -> System.out.println(b.name));

// Bar1 <- Foo1
// Bar2 <- Foo1
// Bar3 <- Foo1
// Bar1 <- Foo2
// Bar2 <- Foo2
// Bar3 <- Foo2
// Bar1 <- Foo3
// Bar2 <- Foo3
// Bar3 <- Foo3

如上所示，我們已成功將三個 foo對象的流轉換為九個bar對象的流。

最后，上面的這段代碼可以簡化為單一的流式操作：

IntStream.range(1, 4)
    .mapToObj(i -> new Foo("Foo" + i))
    .peek(f -> IntStream.range(1, 4)
        .mapToObj(i -> new Bar("Bar" + i + " <- " f.name))
        .forEach(f.bars::add))
    .flatMap(f -> f.bars.stream())
    .forEach(b -> System.out.println(b.name));

flatMap也可用于Java8引入的Optional類。Optional的flatMap操作返回一個Optional或其他類型的對象。所以它可以用于避免繁瑣的null檢查。

接下來，讓我們創建層次更深的對象：

class Outer {
    Nested nested;
}

class Nested {
    Inner inner;
}

class Inner {
    String foo;
}

為了處理從 Outer 對象中獲取最底層的 foo 字符串，你需要添加多個null檢查來避免可能發生的NullPointerException，如下所示：

Outer outer = new Outer();
if (outer != null && outer.nested != null && outer.nested.inner != null) {
    System.out.println(outer.nested.inner.foo);
}

我們還可以使用Optional的flatMap操作，來完成上述相同功能的判斷，且更加優雅：

Optional.of(new Outer())
    .flatMap(o -> Optional.ofNullable(o.nested))
    .flatMap(n -> Optional.ofNullable(n.inner))
    .flatMap(i -> Optional.ofNullable(i.foo))
    .ifPresent(System.out::println);

如果不為空的話，每個flatMap的調用都會返回預期對象的Optional包裝，否則返回為null的Optional包裝類。

筆者補充：關于 Optional 可參見我另一篇譯文《Java8 新特性如何防止空指針異常》

6.3 Reduce

規約操作可以將流的所有元素組合成一個結果。Java 8 支持三種不同的reduce方法。第一種將流中的元素規約成流中的一個元素。

讓我們看看如何使用這種方法，來篩選出年齡最大的那個人：

persons
    .stream()
    .reduce((p1, p2) -> p1.age > p2.age ? p1 : p2)
    .ifPresent(System.out::println);    // Pamela

reduce方法接受BinaryOperator積累函數。該函數實際上是兩個操作數類型相同的BiFunction。BiFunction功能和Function一樣，但是它接受兩個參數。示例代碼中，我們比較兩個人的年齡，來返回年齡較大的人。

第二種reduce方法接受標識值和BinaryOperator累加器。此方法可用于構造一個新的 Person，其中包含來自流中所有其他人的聚合名稱和年齡：

Person result =
    persons
        .stream()
        .reduce(new Person("", 0), (p1, p2) -> {
            p1.age += p2.age;
            p1.name += p2.name;
            return p1;
        });

System.out.format("name=%s; age=%s", result.name, result.age);
// name=MaxPeterPamelaDavid; age=76

第三種reduce方法接受三個參數：標識值，BiFunction累加器和類型的組合器函數BinaryOperator。由于初始值的類型不一定為Person，我們可以使用這個歸約函數來計算所有人的年齡總和：

Integer ageSum = persons
    .stream()
    .reduce(0, (sum, p) -> sum += p.age, (sum1, sum2) -> sum1 + sum2);

System.out.println(ageSum);  // 76

結果為76，但是內部究竟發生了什么呢？讓我們再打印一些調試日志：

Integer ageSum = persons
    .stream()
    .reduce(0,
        (sum, p) -> {
            System.out.format("accumulator: sum=%s; person=%s\n", sum, p);
            return sum += p.age;
        },
        (sum1, sum2) -> {
            System.out.format("combiner: sum1=%s; sum2=%s\n", sum1, sum2);
            return sum1 + sum2;
        });

// accumulator: sum=0; person=Max
// accumulator: sum=18; person=Peter
// accumulator: sum=41; person=Pamela
// accumulator: sum=64; person=David

你可以看到，累加器函數完成了所有工作。它首先使用初始值0和第一個人年齡相加。接下來的三步中sum會持續增加，直到76。

等等？好像哪里不太對！組合器從來都沒有調用過啊？

我們以并行流的方式運行上面的代碼，看看日志輸出：

Integer ageSum = persons
    .parallelStream()
    .reduce(0,
        (sum, p) -> {
            System.out.format("accumulator: sum=%s; person=%s\n", sum, p);
            return sum += p.age;
        },
        (sum1, sum2) -> {
            System.out.format("combiner: sum1=%s; sum2=%s\n", sum1, sum2);
            return sum1 + sum2;
        });

// accumulator: sum=0; person=Pamela
// accumulator: sum=0; person=David
// accumulator: sum=0; person=Max
// accumulator: sum=0; person=Peter
// combiner: sum1=18; sum2=23
// combiner: sum1=23; sum2=12
// combiner: sum1=41; sum2=35

并行流的執行方式完全不同。這里組合器被調用了。實際上，由于累加器被并行調用，組合器需要被用于計算部分累加值的總和。

讓我們在下一章深入探討并行流。

七、并行流

流是可以并行執行的，當流中存在大量元素時，可以顯著提升性能。并行流底層使用的ForkJoinPool, 它由ForkJoinPool.commonPool()方法提供。底層線程池的大小最多為五個 - 具體取決于 CPU 可用核心數：

ForkJoinPool commonPool = ForkJoinPool.commonPool();
System.out.println(commonPool.getParallelism());    // 3

在我的機器上，公共池初始化默認值為 3。你也可以通過設置以下JVM參數可以減小或增加此值：

-Djava.util.concurrent.ForkJoinPool.common.parallelism=5

集合支持parallelStream()方法來創建元素的并行流。或者你可以在已存在的數據流上調用中間方法parallel()，將串行流轉換為并行流，這也是可以的。

為了詳細了解并行流的執行行為，我們在下面的示例代碼中，打印當前線程的信息：

Arrays.asList("a1", "a2", "b1", "c2", "c1")
    .parallelStream()
    .filter(s -> {
        System.out.format("filter: %s [%s]\n",
            s, Thread.currentThread().getName());
        return true;
    })
    .map(s -> {
        System.out.format("map: %s [%s]\n",
            s, Thread.currentThread().getName());
        return s.toUpperCase();
    })
    .forEach(s -> System.out.format("forEach: %s [%s]\n",
        s, Thread.currentThread().getName()));

通過日志輸出，我們可以對哪個線程被用于執行流式操作，有個更深入的理解：

filter:  b1 [main]
filter:  a2 [ForkJoinPool.commonPool-worker-1]
map:     a2 [ForkJoinPool.commonPool-worker-1]
filter:  c2 [ForkJoinPool.commonPool-worker-3]
map:     c2 [ForkJoinPool.commonPool-worker-3]
filter:  c1 [ForkJoinPool.commonPool-worker-2]
map:     c1 [ForkJoinPool.commonPool-worker-2]
forEach: C2 [ForkJoinPool.commonPool-worker-3]
forEach: A2 [ForkJoinPool.commonPool-worker-1]
map:     b1 [main]
forEach: B1 [main]
filter:  a1 [ForkJoinPool.commonPool-worker-3]
map:     a1 [ForkJoinPool.commonPool-worker-3]
forEach: A1 [ForkJoinPool.commonPool-worker-3]
forEach: C1 [ForkJoinPool.commonPool-worker-2]

如您所見，并行流使用了所有的ForkJoinPool中的可用線程來執行流式操作。在持續的運行中，輸出結果可能有所不同，因為所使用的特定線程是非特定的。

讓我們通過添加中間操作sort來擴展上面示例：

Arrays.asList("a1", "a2", "b1", "c2", "c1")
    .parallelStream()
    .filter(s -> {
        System.out.format("filter: %s [%s]\n",
            s, Thread.currentThread().getName());
        return true;
    })
    .map(s -> {
        System.out.format("map: %s [%s]\n",
            s, Thread.currentThread().getName());
        return s.toUpperCase();
    })
    .sorted((s1, s2) -> {
        System.out.format("sort: %s <> %s [%s]\n",
            s1, s2, Thread.currentThread().getName());
        return s1.compareTo(s2);
    })
    .forEach(s -> System.out.format("forEach: %s [%s]\n",
        s, Thread.currentThread().getName()));

運行代碼，輸出結果看上去有些奇怪：

filter:  c2 [ForkJoinPool.commonPool-worker-3]
filter:  c1 [ForkJoinPool.commonPool-worker-2]
map:     c1 [ForkJoinPool.commonPool-worker-2]
filter:  a2 [ForkJoinPool.commonPool-worker-1]
map:     a2 [ForkJoinPool.commonPool-worker-1]
filter:  b1 [main]
map:     b1 [main]
filter:  a1 [ForkJoinPool.commonPool-worker-2]
map:     a1 [ForkJoinPool.commonPool-worker-2]
map:     c2 [ForkJoinPool.commonPool-worker-3]
sort:    A2 <> A1 [main]
sort:    B1 <> A2 [main]
sort:    C2 <> B1 [main]
sort:    C1 <> C2 [main]
sort:    C1 <> B1 [main]
sort:    C1 <> C2 [main]
forEach: A1 [ForkJoinPool.commonPool-worker-1]
forEach: C2 [ForkJoinPool.commonPool-worker-3]
forEach: B1 [main]
forEach: A2 [ForkJoinPool.commonPool-worker-2]
forEach: C1 [ForkJoinPool.commonPool-worker-1]

貌似sort只在主線程上串行執行。但是實際上，并行流中的sort在底層使用了Java8中新的方法Arrays.parallelSort()。如 javadoc官方文檔解釋的，這個方法會按照數據長度來決定以串行方式，或者以并行的方式來執行。

如果指定數據的長度小于最小數值，它則使用相應的Arrays.sort方法來進行排序。

回到上小節 reduce的例子。我們已經發現了組合器函數只在并行流中調用，而不不會在串行流中被調用。

讓我們來實際觀察一下涉及到哪個線程：

List<Person> persons = Arrays.asList(
    new Person("Max", 18),
    new Person("Peter", 23),
    new Person("Pamela", 23),
    new Person("David", 12));

persons
    .parallelStream()
    .reduce(0,
        (sum, p) -> {
            System.out.format("accumulator: sum=%s; person=%s [%s]\n",
                sum, p, Thread.currentThread().getName());
            return sum += p.age;
        },
        (sum1, sum2) -> {
            System.out.format("combiner: sum1=%s; sum2=%s [%s]\n",
                sum1, sum2, Thread.currentThread().getName());
            return sum1 + sum2;
        });

通過控制臺日志輸出，累加器和組合器均在所有可用的線程上并行執行：

accumulator: sum=0; person=Pamela; [main]
accumulator: sum=0; person=Max;    [ForkJoinPool.commonPool-worker-3]
accumulator: sum=0; person=David;  [ForkJoinPool.commonPool-worker-2]
accumulator: sum=0; person=Peter;  [ForkJoinPool.commonPool-worker-1]
combiner:    sum1=18; sum2=23;     [ForkJoinPool.commonPool-worker-1]
combiner:    sum1=23; sum2=12;     [ForkJoinPool.commonPool-worker-2]
combiner:    sum1=41; sum2=35;     [ForkJoinPool.commonPool-worker-2]

總之，你需要記住的是，并行流對含有大量元素的數據流提升性能極大。但是你也需要記住并行流的一些操作，例如reduce和collect操作，需要額外的計算（如組合操作），這在串行執行時是并不需要。

此外，我們也了解了，所有并行流操作都共享相同的 JVM 相關的公共ForkJoinPool。所以你可能需要避免寫出一些又慢又卡的流式操作，這很有可能會拖慢你應用中，嚴重依賴并行流的其它部分代碼的性能。

八、結語

Java8 Stream 流編程指南到這里就結束了。如果您有興趣了解更多有關 Java 8 Stream 流的相關信息，我建議您使用 Stream Javadoc 閱讀官方文檔。如果您想了解有關底層機制的更多信息，您也可以閱讀 Martin Fowlers 關于 Collection Pipelines 的文章。

最后，祝您學習愉快！