java8新增了stream流的特性,可以讓用戶以函數式的方式、更爲簡單的操縱集合等數據結構,並實現了用戶無感知的並行計算。java
相信不少人在使用過java8的streamAPI接口以後,都會對其實現原理感到好奇,但每每在看到jdk的stream源碼後卻被其複雜的抽象、封裝給弄糊塗了,而沒法很好的理解其背後的原理。究其緣由,是由於jdk的stream源碼是高度工程化的代碼,工程化的代碼爲了效率和知足各式各樣的需求,會將代碼實現的極其複雜,不易理解。git
在這裏,咱們將拋開jdk的實現思路,從零開始實現一個stream流。程序員
咱們的stream流一樣擁有惰性求值,函數式編程接口等特性,並兼容jdk的Collection等數據結構(但不支持並行計算 orz)。github
相信在親手實現一個stream流的框架以後,你們能更好的理解流計算的原理。sql
在探討探究stream的實現原理和動手實現以前,咱們先要體會stream流計算的獨特之處。編程
舉個例子: 有一個List<Person>列表,咱們須要得到年齡爲70歲的前10個Person的姓名。數組
過程式的解決方案:數據結構
稍加思考,咱們很快就寫出了一個過程式的解決方案(僞代碼):閉包
List<Person> personList = fromDB(); // 得到List<Person> int limit = 10; // 限制條件 List<String> nameList = new ArrayList(); // 收集的姓名集合 for(Person personItem : personList){ if(personItem.age == 70){ // 知足條件 nameList.add(personItem.name); // 加入姓名集合 if(nameList.size() >= 10){ // 判斷是否超過限制 break; } } } return nameList;
函數式stream解決方案:app
下面咱們給出一種基於stream流的解決方案(僞代碼):
List<Person> personList = fromDB(); // 得到List<Person> List<String> nameList = personList.stream() .filter(item->item.age == 70) // 過濾條件 .limit(10) // limit限制條件 .map(item->item.name) // 得到姓名 .collect(Collector.toList()); // 轉化爲list return nameList;
兩種方案的不一樣之處:
從函數式的角度上看,過程式的代碼實現將收集元素、循環迭代、各類邏輯判斷耦合在一塊兒,暴露了太多細節。當將來需求變更和變得更加複雜的狀況下,過程式的代碼將變得難以理解和維護(須要控制檯打印出 年齡爲70歲的前10個Person中,姓王的Person的名稱)。
函數式的解決方案解開了代碼細節和業務邏輯的耦合,相似於sql語句,表達的是"要作什麼"而不是"如何去作",使程序員能夠更加專一於業務邏輯,寫出易於理解和維護的代碼。
List<Person> personList = fromDB(); // 得到List<Person> personList.stream() .filter(item->item.age == 70) // 過濾條件 .limit(10) // limit限制條件 .filter(item->item.name.startWith("王")) // 過濾條件 .map(item->item.name) // 得到姓名 .forEach(System.out::println);
stream API的接口是函數式的,儘管java 8也引入了lambda表達式,但java實質上依然是由接口-匿名內部類來實現函數傳參的,因此須要事先定義一系列的函數式接口。
Function: 相似於 y = F(x)
@FunctionalInterface public interface Function<R,T> { /** * 函數式接口 * 相似於 y = F(x) * */ R apply(T t); }
BiFunction: 相似於 z = F(x,y)
@FunctionalInterface public interface BiFunction<R, T, U> { /** * 函數式接口 * 相似於 z = F(x,y) * */ R apply(T t, U u); }
ForEach: 遍歷處理
@FunctionalInterface public interface ForEach <T>{ /** * 迭代器遍歷 * @param item 被迭代的每一項 * */ void apply(T item); }
Comparator: 比較器
@FunctionalInterface public interface Comparator<T> { /** * 比較方法邏輯 * @param o1 參數1 * @param o2 參數2 * @return 返回值大於0 ---> (o1 > o2) * 返回值等於0 ---> (o1 = o2) * 返回值小於0 ---> (o1 < o2) */ int compare(T o1, T o2); }
Predicate: 條件判斷
@FunctionalInterface public interface Predicate <T>{ /** * 函數式接口 * @param item 迭代的每一項 * @return true 知足條件 * false 不知足條件 * */ boolean satisfy(T item); }
Supplier:提供初始值
@FunctionalInterface public interface Supplier<T> { /** * 提供初始值 * @return 初始化的值 * */ T get(); }
EvalFunction:stream求值函數
@FunctionalInterface public interface EvalFunction<T> { /** * stream流的強制求值方法 * @return 求值返回一個新的stream * */ MyStream<T> apply(); }
/** * stream流的API接口 */ public interface Stream<T> { /** * 映射 lazy 惰性求值 * @param mapper 轉換邏輯 T->R * @return 一個新的流 * */ <R> MyStream<R> map(Function<R,T> mapper); /** * 扁平化 映射 lazy 惰性求值 * @param mapper 轉換邏輯 T->MyStream<R> * @return 一個新的流(扁平化以後) * */ <R> MyStream<R> flatMap(Function<? extends MyStream<R>, T> mapper); /** * 過濾 lazy 惰性求值 * @param predicate 謂詞判斷 * @return 一個新的流,其中元素是知足predicate條件的 * */ MyStream<T> filter(Predicate<T> predicate); /** * 截斷 lazy 惰性求值 * @param n 截斷流,只獲取部分 * @return 一個新的流,其中的元素不超過 n * */ MyStream<T> limit(int n); /** * 去重操做 lazy 惰性求值 * @return 一個新的流,其中的元素不重複(!equals) * */ MyStream<T> distinct(); /** * 窺視 lazy 惰性求值 * @return 同一個流,peek不改變流的任何行爲 * */ MyStream<T> peek(ForEach<T> consumer); /** * 遍歷 eval 強制求值 * @param consumer 遍歷邏輯 * */ void forEach(ForEach<T> consumer); /** * 濃縮 eval 強制求值 * @param initVal 濃縮時的初始值 * @param accumulator 濃縮時的 累加邏輯 * @return 濃縮以後的結果 * */ <R> R reduce(R initVal, BiFunction<R, R, T> accumulator); /** * 收集 eval 強制求值 * @param collector 傳入所需的函數組合子,生成高階函數 * @return 收集以後的結果 * */ <R, A> R collect(Collector<T,A,R> collector); /** * 最大值 eval 強制求值 * @param comparator 大小比較邏輯 * @return 流中的最大值 * */ T max(Comparator<T> comparator); /** * 最小值 eval 強制求值 * @param comparator 大小比較邏輯 * @return 流中的最小值 * */ T min(Comparator<T> comparator); /** * 計數 eval 強制求值 * @return 當前流的個數 * */ int count(); /** * 流中是否存在知足predicate的項 * @return true 存在 匹配項 * false 不存在 匹配項 * */ boolean anyMatch(Predicate<? super T> predicate); /** * 流中的元素是否所有知足predicate * @return true 所有知足 * false 不所有知足 * */ boolean allMatch(Predicate<? super T> predicate); /** * 返回空的 stream * @return 空stream * */ static <T> MyStream<T> makeEmptyStream(){ // isEnd = true return new MyStream.Builder<T>().isEnd(true).build(); } }
簡單介紹了API接口定義以後,咱們開始深刻探討流的內部實現。
流由兩個重要的部分所組成,"當前數據項(head)"和"下一數據項的求值函數(nextItemEvalProcess)"。
其中,nextItemEvalProcess是流可以實現"惰性求值"的關鍵。
流的基本屬性:
public class MyStream<T> implements Stream<T> { /** * 流的頭部 * */ private T head; /** * 流的下一項求值函數 * */ private NextItemEvalProcess nextItemEvalProcess; /** * 是不是流的結尾 * */ private boolean isEnd; public static class Builder<T>{ private MyStream<T> target; public Builder() { this.target = new MyStream<>(); } public Builder<T> head(T head){ target.head = head; return this; } Builder<T> isEnd(boolean isEnd){ target.isEnd = isEnd; return this; } public Builder<T> nextItemEvalProcess(NextItemEvalProcess nextItemEvalProcess){ target.nextItemEvalProcess = nextItemEvalProcess; return this; } public MyStream<T> build(){ return target; } } /** * 當前流強制求值 * @return 求值以後返回一個新的流 * */ private MyStream<T> eval(){ return this.nextItemEvalProcess.eval(); } /** * 當前流 爲空 * */ private boolean isEmptyStream(){ return this.isEnd; } }
/** * 下一個元素求值過程 */ public class NextItemEvalProcess { /** * 求值方法 * */ private EvalFunction evalFunction; public NextItemEvalProcess(EvalFunction evalFunction) { this.evalFunction = evalFunction; } MyStream eval(){ return evalFunction.apply(); } }
1. 生成並構造一個流 (List.stream() 等方法)
2. 在流的處理過程當中添加、綁定惰性求值流程 (map、filter、limit 等方法)
3. 對流使用強制求值函數,生成最終結果 (max、collect、forEach等方法)
流在生成時是"純淨"的,其最初的NextItemEvalProcess求值以後就是指向本身的下一個元素。
咱們以一個Integer整數流的生成爲例。IntegerStreamGenerator.getIntegerStream(1,10) 會返回一個流結構,其邏輯上等價於一個從1到10的整數流。但實質是一個惰性求值的stream對象,這裏稱其爲IntStream,其NextItemEvalProcess是一個閉包,方法體是一個遞歸結構的求值函數,其中下界參數low = low + 1。
當IntStream第一次被求值時,流開始初始化,isStart = false。當初始化完成以後,每一次求值,都會生成一個新的流對象,其中head(low) = low + 1。當low > high時,流被終止,返回空的流對象。
/** * 整數流生成器 */ public class IntegerStreamGenerator { /** * 得到一個有限的整數流 介於[low-high]之間 * @param low 下界 * @param high 上界 * */ public static MyStream<Integer> getIntegerStream(int low, int high){ return getIntegerStreamInner(low,high,true); } /** * 遞歸函數。配合getIntegerStream(int low,int high) * */ private static MyStream<Integer> getIntegerStreamInner(int low, int high, boolean isStart){ if(low > high){ // 到達邊界條件,返回空的流 return Stream.makeEmptyStream(); }
if(isStart){ return new MyStream.Builder<Integer>() .process(new NextItemEvalProcess(()->getIntegerStreamInner(low,high,false))) .build(); }else{ return new MyStream.Builder<Integer>() // 當前元素 low .head(low) // 下一個元素 low+1 .process(new NextItemEvalProcess(()->getIntegerStreamInner(low+1,high,false))) .build(); } } }
能夠看到,生成一個流的關鍵在於肯定如何求值下一項元素。對於整數流來講,low = low + 1就是其下一項的求值過程。
那麼對於咱們很是關心的jdk集合容器,又該如何生成對應的流呢?
答案是Iterator迭代器,jdk的集合容器都實現了Iterator迭代器接口,經過迭代器咱們能夠輕易的取得容器的下一項元素,而不用關心容器內部實現細節。換句話說,只要實現過迭代器接口,就能夠天然的轉化爲stream流,從而得到流計算的全部能力。
/** * 集合流生成器 */ public class CollectionStreamGenerator { /** * 將一個List轉化爲stream流 * */ public static <T> MyStream<T> getListStream(List<T> list){ return getListStream(list.iterator(),true); } /** * 遞歸函數 * @param iterator list 集合的迭代器 * @param isStart 是不是第一次迭代 * */ private static <T> MyStream<T> getListStream(Iterator<T> iterator, boolean isStart){ if(!iterator.hasNext()){ // 不存在迭代的下一個元素,返回空的流 return Stream.makeEmptyStream(); } if(isStart){ // 初始化,只須要設置 求值過程 return new MyStream.Builder<T>() .nextItemEvalProcess(new NextItemEvalProcess(()-> getListStream(iterator,false))) .build(); }else{ // 非初始化,設置head和接下來的求值過程 return new MyStream.Builder<T>() .head(iterator.next()) .nextItemEvalProcess(new NextItemEvalProcess(()-> getListStream(iterator,false))) .build(); } } }
思考一個小問題,如何生成一個無窮的整數流?
咱們以map接口舉例說明。API的map接口是一個惰性求值接口,在流執行了map方法後(stream.map()),不會進行任何的求值運算。map在執行時,會生成一個新的求值過程NextItemEvalProcess,新的過程將以前流的求值過程給"包裹"起來了,僅僅是在"流的生成"到"流的最終求值"之間增長了一道處理工序,最終返回了一個新的stream流對象。
API.map所依賴的內部靜態map方法是一個惰性求值方法,其每次調用"只會"將當前流的head部分進行map映射操做,而且生成一個新的流。新生成流的NextItemEvalProcess和以前邏輯基本保持一致(遞歸),惟一的區別是,第二個參數傳入的stream在調用方法以前會被強制求值(eval)後再傳入。
@Override public <R> MyStream<R> map(Function<R, T> mapper) { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()->{ MyStream myStream = lastNextItemEvalProcess.eval(); return map(mapper, myStream); } ); // 求值鏈條 加入一個新的process map return new MyStream.Builder<R>() .nextItemEvalProcess(this.nextItemEvalProcess) .build(); } /** * 遞歸函數 配合API.map * */ private static <R,T> MyStream<R> map(Function<R, T> mapper, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return Stream.makeEmptyStream(); } R head = mapper.apply(myStream.head); return new MyStream.Builder<R>() .head(head) .nextItemEvalProcess(new NextItemEvalProcess(()->map(mapper, myStream.eval()))) .build(); }
惰性求值接口的實現大同小異,你們須要體會一下閉包、遞歸、惰性求值等概念,限於篇幅就不一一展開啦。
flatMap:
@Override public <R> MyStream<R> flatMap(Function<? extends MyStream<R>,T> mapper) { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()->{ MyStream myStream = lastNextItemEvalProcess.eval(); return flatMap(mapper, Stream.makeEmptyStream(), myStream); } ); // 求值鏈條 加入一個新的process map return new MyStream.Builder<R>() .nextItemEvalProcess(this.nextItemEvalProcess) .build(); } /** * 遞歸函數 配合API.flatMap * */ private static <R,T> MyStream<R> flatMap(Function<? extends MyStream<R>,T> mapper, MyStream<R> headMyStream, MyStream<T> myStream){ if(headMyStream.isEmptyStream()){ if(myStream.isEmptyStream()){ return Stream.makeEmptyStream(); }else{ T outerHead = myStream.head; MyStream<R> newHeadMyStream = mapper.apply(outerHead); return flatMap(mapper, newHeadMyStream.eval(), myStream.eval()); } }else{ return new MyStream.Builder<R>() .head(headMyStream.head) .nextItemEvalProcess(new NextItemEvalProcess(()-> flatMap(mapper, headMyStream.eval(), myStream))) .build(); } }
filter:
@Override public MyStream<T> filter(Predicate<T> predicate) { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()-> { MyStream myStream = lastNextItemEvalProcess.eval(); return filter(predicate, myStream); } ); // 求值鏈條 加入一個新的process filter return this; } /** * 遞歸函數 配合API.filter * */ private static <T> MyStream<T> filter(Predicate<T> predicate, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return Stream.makeEmptyStream(); } if(predicate.satisfy(myStream.head)){ return new Builder<T>() .head(myStream.head) .nextItemEvalProcess(new NextItemEvalProcess(()->filter(predicate, myStream.eval()))) .build(); }else{ return filter(predicate, myStream.eval()); } }
limit:
@Override public MyStream<T> limit(int n) { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()-> { MyStream myStream = lastNextItemEvalProcess.eval(); return limit(n, myStream); } ); // 求值鏈條 加入一個新的process limit return this; } /** * 遞歸函數 配合API.limit * */ private static <T> MyStream<T> limit(int num, MyStream<T> myStream){ if(num == 0 || myStream.isEmptyStream()){ return Stream.makeEmptyStream(); } return new MyStream.Builder<T>() .head(myStream.head) .nextItemEvalProcess(new NextItemEvalProcess(()->limit(num-1, myStream.eval()))) .build(); }
distinct:
@Override public MyStream<T> distinct() { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()-> { MyStream myStream = lastNextItemEvalProcess.eval(); return distinct(new HashSet<>(), myStream); } ); // 求值鏈條 加入一個新的process limit return this; } /** * 遞歸函數 配合API.distinct * */ private static <T> MyStream<T> distinct(Set<T> distinctSet,MyStream<T> myStream){ if(myStream.isEmptyStream()){ return Stream.makeEmptyStream(); } if(!distinctSet.contains(myStream.head)){ // 加入集合 distinctSet.add(myStream.head); return new Builder<T>() .head(myStream.head) .nextItemEvalProcess(new NextItemEvalProcess(()->distinct(distinctSet, myStream.eval()))) .build(); }else{ return distinct(distinctSet, myStream.eval()); } }
peek:
@Override public MyStream<T> peek(ForEach<T> consumer) { NextItemEvalProcess lastNextItemEvalProcess = this.nextItemEvalProcess; this.nextItemEvalProcess = new NextItemEvalProcess( ()-> { MyStream myStream = lastNextItemEvalProcess.eval(); return peek(consumer,myStream); } ); // 求值鏈條 加入一個新的process peek return this; } /** * 遞歸函數 配合API.peek * */ private static <T> MyStream<T> peek(ForEach<T> consumer,MyStream<T> myStream){ if(myStream.isEmptyStream()){ return Stream.makeEmptyStream(); } consumer.apply(myStream.head); return new MyStream.Builder<T>() .head(myStream.head) .nextItemEvalProcess(new NextItemEvalProcess(()->peek(consumer, myStream.eval()))) .build(); }
咱們以forEach方法舉例說明。強制求值方法forEach會不斷的對當前stream進行求值並讓consumer接收處理,直到當前流成爲空流。
有兩種可能的狀況會致使遞歸傳入的流參數成爲空流(empty-stream):
1. 最初生成流的求值過程返回了空流(整數流,low > high 時,返回空流 )
2. limit之類的短路操做,會提早終止流的求值返回空流(n == 0 時,返回空流)
@Override public void forEach(ForEach<T> consumer) { // 終結操做 直接開始求值 forEach(consumer,this.eval()); } /** * 遞歸函數 配合API.forEach * */ private static <T> void forEach(ForEach<T> consumer, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return; } consumer.apply(myStream.head); forEach(consumer, myStream.eval()); }
強制求值的接口的實現也都大同小異,限於篇幅就不一一展開啦。
reduce:
/** * 遞歸函數 配合API.reduce * */ private static <R,T> R reduce(R initVal, BiFunction<R,R,T> accumulator, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return initVal; } T head = myStream.head; R result = reduce(initVal,accumulator, myStream.eval()); return accumulator.apply(result,head); } /** * 遞歸函數 配合API.reduce * */ private static <R,T> R reduce(R initVal, BiFunction<R,R,T> accumulator, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return initVal; } T head = myStream.head; R result = reduce(initVal,accumulator, myStream.eval()); return accumulator.apply(result,head); }
max:
@Override public T max(Comparator<T> comparator) { // 終結操做 直接開始求值 MyStream<T> eval = this.eval(); if(eval.isEmptyStream()){ return null; }else{ return max(comparator,eval,eval.head); } } /** * 遞歸函數 配合API.max * */ private static <T> T max(Comparator<T> comparator, MyStream<T> myStream, T max){ if(myStream.isEnd){ return max; } T head = myStream.head; // head 和 max 進行比較 if(comparator.compare(head,max) > 0){ // head 較大 做爲新的max傳入 return max(comparator, myStream.eval(),head); }else{ // max 較大 不變 return max(comparator, myStream.eval(),max); } }
min:
@Override public T min(Comparator<T> comparator) { // 終結操做 直接開始求值 MyStream<T> eval = this.eval(); if(eval.isEmptyStream()){ return null; }else{ return min(comparator,eval,eval.head); } } /** * 遞歸函數 配合API.min * */ private static <T> T min(Comparator<T> comparator, MyStream<T> myStream, T min){ if(myStream.isEnd){ return min; } T head = myStream.head; // head 和 min 進行比較 if(comparator.compare(head,min) < 0){ // head 較小 做爲新的min傳入 return min(comparator, myStream.eval(),head); }else{ // min 較小 不變 return min(comparator, myStream.eval(),min); } }
count:
@Override public int count() { // 終結操做 直接開始求值 return count(this.eval(),0); } /** * 遞歸函數 配合API.count * */ private static <T> int count(MyStream<T> myStream, int count){ if(myStream.isEmptyStream()){ return count; } // count+1 進行遞歸 return count(myStream.eval(),count+1); }
anyMatch:
@Override public boolean anyMatch(Predicate<? super T> predicate) { // 終結操做 直接開始求值 return anyMatch(predicate,this.eval()); } /** * 遞歸函數 配合API.anyMatch * */ private static <T> boolean anyMatch(Predicate<? super T> predicate,MyStream<T> myStream){ if(myStream.isEmptyStream()){ // 截止末尾,不存在任何匹配項 return false; } // 謂詞判斷 if(predicate.satisfy(myStream.head)){ // 匹配 存在匹配項 返回true return true; }else{ // 不匹配,繼續檢查,直到存在匹配項 return anyMatch(predicate,myStream.eval()); } }
allMatch:
@Override public boolean allMatch(Predicate<? super T> predicate) { // 終結操做 直接開始求值 return allMatch(predicate,this.eval()); } /** * 遞歸函數 配合API.anyMatch * */ private static <T> boolean allMatch(Predicate<? super T> predicate,MyStream<T> myStream){ if(myStream.isEmptyStream()){ // 所有匹配 return true; } // 謂詞判斷 if(predicate.satisfy(myStream.head)){ // 當前項匹配,繼續檢查 return allMatch(predicate,myStream.eval()); }else{ // 存在不匹配的項,返回false return false; } }
collect方法是強制求值方法中,最複雜也最強大的接口,其做用是將流中的元素收集(collect)起來,並轉化成特定的數據結構。
從函數式編程的角度來看,collect方法是一個高階函數,其接受三個函數做爲參數(supplier,accumulator,finisher),最終生成一個更增強大的函數。在java中,三個函數參數以Collector實現對象的形式呈現。
supplier 方法:用於提供收集collect的初始值。
accumulator 方法:用於指定收集過程當中,初始值和流中個體元素聚合的邏輯。
finnisher 方法:用於指定在收集完成以後的收尾轉化操做(例如:StringBuilder.toString() ---> String)。
collect接口實現:
@Override public <R, A> R collect(Collector<T, A, R> collector) { // 終結操做 直接開始求值 A result = collect(collector,this.eval()); // 經過finish方法進行收尾 return collector.finisher().apply(result); } /** * 遞歸函數 配合API.collect * */ private static <R, A, T> A collect(Collector<T, A, R> collector, MyStream<T> myStream){ if(myStream.isEmptyStream()){ return collector.supplier().get(); } T head = myStream.head; A tail = collect(collector, myStream.eval()); return collector.accumulator().apply(tail,head); }
collector接口:
/** * collect接口 收集器 * 經過傳入組合子,生成高階過程 */ public interface Collector<T, A, R> { /** * 收集時,提供初始化的值 * */ Supplier<A> supplier(); /** * A = A + T * 累加器,收集時的累加過程 * */ BiFunction<A, A, T> accumulator(); /** * 收集完成以後的收尾操做 * */ Function<A, R> finisher(); }
瞭解jdk源碼的讀者可能會注意到,jdk的stream實現中collector接口多了一個combiner接口,combiner接口用於指定並行計算以後的結果集合並的邏輯,因爲咱們的實現不支持並行計算,所以也不須要添加combiner接口了。
同時,jdk還提供了一個Collectors工具類,很好的知足了平時常見的需求(Collector.toList()、Collctor.groupingBy())等等。但特殊時刻仍是須要用戶本身指定collect傳入的參數,精細的控制處理邏輯的,所以仍是有必要了解一下collect方法內部原理的。
stream.collect()參數經常使用工具類:
/** * stream.collect() 參數經常使用工具類 */ public class CollectUtils { /** * stream 轉換爲 List * */ public static <T> Collector<T, List<T>, List<T>> toList(){ return new Collector<T, List<T>, List<T>>() { @Override public Supplier<List<T>> supplier() { return ArrayList::new; }
@Override public BiFunction<List<T>, List<T>, T> accumulator() { return (list, item) -> { list.add(item); return list; }; }
@Override public Function<List<T>, List<T>> finisher() { return list -> list; } }; } /** * stream 轉換爲 Set * */ public static <T> Collector<T, Set<T>, Set<T>> toSet(){ return new Collector<T, Set<T>, Set<T>>() { @Override public Supplier<Set<T>> supplier() { return HashSet::new; }
@Override public BiFunction<Set<T>, Set<T>, T> accumulator() { return (set, item) -> { set.add(item); return set; }; }
@Override public Function<Set<T>, Set<T>> finisher() { return set -> set; } }; } }
咱們選擇一個簡單而又不失通常性的例子,串聯起這些內容。經過完整的描述一個流求值的全過程,加深你們對流的理解。
public static void main(String[] args){ Integer sum = IntegerStreamGenerator.getIntegerStream(1,10) .filter(item-> item%2 == 0) // 過濾出偶數 .map(item-> item * item) // 映射爲平方 .limit(2) // 截取前兩個 .reduce(0,(i1,i2)-> i1+i2); // 最終結果累加求和(初始值爲0) System.out.println(sum); // 20 }
因爲咱們的stream實現採用的是鏈式編程的方式,不太好理解,將其展開爲邏輯等價的形式。
public static void main(String[] args){
// 生成整數流 1-10 Stream<Integer> intStream = IntegerStreamGenerator.getIntegerStream(1,10);
// intStream基礎上過濾出偶數 Stream<Integer> filterStream = intStream.filter(item-> item%2 == 0);
// filterStream基礎上映射爲平方 Stream<Integer> mapStream = filterStream.map(item-> item * item);
// mapStream基礎上截取前兩個 Stream<Integer> limitStream = mapStream.limit(2);
// 最終結果累加求和(初始值爲0) Integer sum = limitStream.reduce(0,(i1,i2)-> i1+i2); System.out.println(sum); // 20 }
reduce強制求值操做以前的執行過程圖:
reduce強制求值過程當中的執行過程圖 :
能夠看到,stream的求值過程並不會一口氣將初始的流所有求值,而是按需的、一個一個的進行求值。
stream的一次求值過程至多隻會遍歷流中元素一次;若是存在短路操做(limit、anyMatch等),實際迭代的次數會更少。
所以沒必要擔憂多層的map、filter處理邏輯的嵌套會讓流進行屢次迭代,致使效率急劇降低。
1. 遞歸調用效率較低
爲了代碼的簡潔性和更加的函數式,當前實現中不少地方都用遞歸代替了循環迭代。
雖然邏輯上遞歸和迭代是等價的,但在目前的計算機硬件上,每一層的遞歸調用都會使得函數調用棧增大,而即便是明顯的尾遞歸調用,java目前也沒有能力進行優化。當流須要處理的數據量很大時,將會出現棧溢出,棧空間不足之類的系統錯誤。
將遞歸優化爲迭代可以顯著提升當前版本流的執行效率。
2. API接口較少
限於篇幅,咱們只提供了一些較爲經常使用的API接口。在jdk中,Collector工具類提供了不少方便易用的接口;對於同一API接口也提供了多種重載函數給用戶使用。
以目前已有的功能爲基礎,提供一些更加方便的接口並不困難。
3. 不支持並行計算
因爲流在求值計算時生成的是對象的副本,是無反作用的,很適合經過數據分片執行並行計算。限於我的水平,在設計之初並無考慮將並行計算這一特性加入進來。
仔細分析整個流的執行過程,與其說流是一個對象,不如說流是一個高階函數(higher-order function)。每當map、filter綁定了一個流,新生成的流實際上是一個更加複雜的函數;每一層封裝,都會使新生成的流這一高階函數比起原基礎變得更增強大和複雜。map、filter就像一個個的基礎算子,在接收對應的過程後(filter(過濾出偶數)、map(平方映射)),能夠不斷的疊加,完成許許多多很是複雜的操做。
這也是函數式編程的中心思想之一:將計算過程轉化爲一系列嵌套函數的調用。
最初是在學習《計算機程序的構造和解釋》(SICP)中stream流計算時突發奇想的,想着能不能用java來實現一個和書上相似的流計算框架,能和jdk的stream流功能大體相同,最終,經過反覆地思考和嘗試纔將心中所想以java代碼的形式呈現出來。
SICP是一本小衆但別具一格的計算機書籍,許多人認爲它不太實用。我我的認爲,雖然計算機技術發展突飛猛進,可是計算機技術的基礎理論卻每每變化緩慢,若是可以抓住技術發展背後那不變的元知識,就不容易在技術的浪潮中失去方向。SICP就是這樣一本教授計算機科學元知識的書籍,雖然一開始有點枯燥,卻能慢慢品味出其美妙之處。
但願你們在閱讀完這篇博客以後,能更好的理解流計算,更好的理解函數式編程。
SICP公開課視頻(中英字幕):https://www.bilibili.com/video/av8515129。
這篇博客的完整代碼在個人github上:https://github.com/1399852153/Streamjava,存在許多不足之處,請多多指教。