巧用Stream优化老代码,太清爽了!
【文章来源】https://sourl.cn/DNU3FV
Java8的新特性主要是Lambda表达式和流,当流和Lambda表达式结合起来一起使用时,因为流申明式处理数据集合的特点,可以让代码变得简洁易读
放大招,流如何简化代码
如果有一个需求,需要对数据库查询到的菜肴进行一个处理:
筛选出卡路里小于400的菜肴
对筛选出的菜肴进行一个排序
获取排序后菜肴的名字
菜肴:Dish.java
public class Dish {private String name;private boolean vegetarian;private int calories;private Type type;// getter and setter
}
Java8以前的实现方式
private List<String> beforeJava7(List<Dish> dishList) {List<Dish> lowCaloricDishes = new ArrayList<>();//1.筛选出卡路里小于400的菜肴for (Dish dish : dishList) {if (dish.getCalories() < 400) {lowCaloricDishes.add(dish);}}//2.对筛选出的菜肴进行排序Collections.sort(lowCaloricDishes, new Comparator<Dish>() {@Overridepublic int compare(Dish o1, Dish o2) {return Integer.compare(o1.getCalories(), o2.getCalories());}});//3.获取排序后菜肴的名字List<String> lowCaloricDishesName = new ArrayList<>();for (Dish d : lowCaloricDishes) {lowCaloricDishesName.add(d.getName());}return lowCaloricDishesName;}
Java8之后的实现方式
private List<String> afterJava8(List<Dish> dishList) {return dishList.stream().filter(d -> d.getCalories() < 400) //筛选出卡路里小于400的菜肴.sorted(comparing(Dish::getCalories)) //根据卡路里进行排序.map(Dish::getName) //提取菜肴名称.collect(Collectors.toList()); //转换为List}
不拖泥带水,一气呵成,原来需要写24代码实现的功能现在只需5行就可以完成了
高高兴兴写完需求这时候又有新需求了,新需求如下:
对数据库查询到的菜肴根据菜肴种类进行分类,返回一个Map<Type, List<Dish>>的结果
这要是放在jdk8之前肯定会头皮发麻。
Java8以前的实现方式
private static Map<Type, List<Dish>> beforeJdk8(List<Dish> dishList) {Map<Type, List<Dish>> result = new HashMap<>();for (Dish dish : dishList) {//不存在则初始化if (result.get(dish.getType())==null) {List<Dish> dishes = new ArrayList<>();dishes.add(dish);result.put(dish.getType(), dishes);} else {//存在则追加result.get(dish.getType()).add(dish);}}return result;
}
还好jdk8有Stream,再也不用担心复杂集合处理需求。
Java8以后的实现方式
private static Map<Type, List<Dish>> afterJdk8(List<Dish> dishList) {return dishList.stream().collect(groupingBy(Dish::getType));
}
又是一行代码解决了需求,忍不住大喊Stream API牛批 看到流的强大功能了吧,接下来将详细介绍流。
什么是流
流是从支持数据处理操作的源生成的元素序列,源可以是数组、文件、集合、函数。流不是集合元素,它不是数据结构并不保存数据,它的主要目的在于计算。
如何生成流
生成流的方式主要有五种。
1.通过集合生成,应用中最常用的一种
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Stream<Integer> stream = integerList.stream();
通过集合的stream方法生成流。
2.通过数组生成
int[] intArr = new int[]{1, 2, 3, 4, 5};
IntStream stream = Arrays.stream(intArr);
通过Arrays.stream方法生成流,并且该方法生成的流是数值流【即IntStream】而不是Stream<Integer>。补充一点使用数值流可以避免计算过程中拆箱装箱,提高性能。
Stream API提供了mapToInt、mapToDouble、mapToLong三种方式将对象流【即Stream】转换成对应的数值流,同时提供了boxed方法将数值流转换为对象流。
3.通过值生成
Stream<Integer> stream = Stream.of(1, 2, 3, 4, 5);
通过Stream的of方法生成流,通过Stream的empty方法可以生成一个空流
4.通过文件生成
Stream<String> lines = Files.lines(Paths.get("data.txt"), Charset.defaultCharset())
通过Files.line方法得到一个流,并且得到的每个流是给定文件中的一行
5.通过函数生成 提供了iterate和generate两个静态方法从函数中生成流
iterator
Stream<Integer> stream = Stream.iterate(0, n -> n + 2).limit(5);
iterate方法接受两个参数,第一个为初始化值,第二个为进行的函数操作,因为iterator生成的流为无限流,通过limit方法对流进行了截断,只生成5个偶数
generator
Stream<Double> stream = Stream.generate(Math::random).limit(5);
generate方法接受一个参数,方法参数类型为Supplier,由它为流提供值。generate生成的流也是无限流,因此通过limit对流进行了截断。
流的操作类型
流的操作类型主要分为两种。
1.中间操作
一个流可以后面跟随零个或多个中间操作。其目的主要是打开流,做出某种程度的数据映射/过滤,然后返回一个新的流,交给下一个操作使用。这类操作都是惰性化的,仅仅调用到这类方法,并没有真正开始流的遍历,真正的遍历需等到终端操作时,常见的中间操作有下面即将介绍的filter、map等。
2.终端操作
一个流有且只能有一个终端操作,当这个操作执行后,流就被关闭了,无法再被操作,因此一个流只能被遍历一次,若想在遍历需要通过源数据在生成流。终端操作的执行,才会真正开始流的遍历。如下面即将介绍的count、collect等。
流的使用
流的使用将分为终端操作和中间操作进行介绍。
中间操作
filter筛选
List<Integer> integerList = Arrays.asList(1, 1, 2, 3, 4, 5);Stream<Integer> stream = integerList.stream().filter(i -> i > 3);
通过使用filter方法进行条件筛选,filter的方法参数为一个条件
distinct去除重复元素
List<Integer> integerList = Arrays.asList(1, 1, 2, 3, 4, 5);
Stream<Integer> stream = integerList.stream().distinct();
通过distinct方法快速去除重复的元素
limit返回指定流个数
List<Integer> integerList = Arrays.asList(1, 1, 2, 3, 4, 5);Stream<Integer> stream = integerList.stream().limit(3);
通过limit方法指定返回流的个数,limit的参数值必须>=0,否则将会抛出异常
skip跳过流中的元素
List<Integer> integerList = Arrays.asList(1, 1, 2, 3, 4, 5);Stream<Integer> stream = integerList.stream().skip(2);
通过skip方法跳过流中的元素,上述例子跳过前两个元素,所以打印结果为2,3,4,5,skip的参数值必须>=0,否则将会抛出异常
map流映射
所谓流映射就是将接受的元素映射成另外一个元素。
List<String> stringList = Arrays.asList("Java 8", "Lambdas", "In", "Action");
Stream<Integer> stream = stringList.stream().map(String::length);
通过map方法可以完成映射,该例子完成中String -> Integer的映射,之前上面的例子通过map方法完成了Dish->String的映射。
flatMap流转换
将一个流中的每个值都转换为另一个流。
List<String> wordList = Arrays.asList("Hello", "World");
List<String> strList = wordList.stream().map(w -> w.split(" ")).flatMap(Arrays::stream).distinct().collect(Collectors.toList());
map(w -> w.split(" "))的返回值为Stream<String[]>,我们想获取Stream<String>,可以通过flatMap方法完成Stream ->Stream的转换
元素匹配
提供了三种匹配方式。
1.allMatch匹配所有
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
if (integerList.stream().allMatch(i -> i > 3)) {System.out.println("值都大于3");
}
通过allMatch方法实现。
2.anyMatch匹配其中一个
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
if (integerList.stream().anyMatch(i -> i > 3)) {System.out.println("存在大于3的值");
}
等同于:
for (Integer i : integerList) {if (i > 3) {System.out.println("存在大于3的值");break;}
}
存在大于3的值则打印,java8中通过anyMatch方法实现这个功能。
3.noneMatch全部不匹配
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
if (integerList.stream().noneMatch(i -> i > 3)) {System.out.println("值都小于3");
}
通过noneMatch方法实现。
终端操作
统计流中元素个数
1.通过count
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Long result = integerList.stream().count();
通过使用count方法统计出流中元素个数。
2.通过counting
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Long result = integerList.stream().collect(counting());
最后一种统计元素个数的方法在与collect联合使用的时候特别有用。
查找
提供了两种查找方式。
1.findFirst查找第一个
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Optional<Integer> result = integerList.stream().filter(i -> i > 3).findFirst();
通过findFirst方法查找到第一个大于三的元素并打印。
2.findAny随机查找一个
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Optional<Integer> result = integerList.stream().filter(i -> i > 3).findAny();
通过findAny方法查找到其中一个大于三的元素并打印,因为内部进行优化的原因,当找到第一个满足大于三的元素时就结束,该方法结果和findFirst方法结果一样。提供findAny方法是为了更好的利用并行流,findFirst方法在并行上限制更多【本篇文章将不介绍并行流】。
reduce将流中的元素组合起来
假设我们对一个集合中的值进行求和
jdk8之前
int sum = 0;
for (int i : integerList) {
sum += i;
}
jdk8之后通过reduce进行处理
int sum = integerList.stream().reduce(0, (a, b) -> (a + b));
一行就可以完成,还可以使用方法引用简写成:
int sum = integerList.stream().reduce(0, Integer::sum);
reduce接受两个参数,一个初始值这里是0,一个BinaryOperator<T> accumulator来将两个元素结合起来产生一个新值,
另外reduce方法还有一个没有初始化值的重载方法。
获取流中最小最大值
通过min/max获取最小最大值
Optional<Integer> min = menu.stream().map(Dish::getCalories).min(Integer::compareTo);
Optional<Integer> max = menu.stream().map(Dish::getCalories).max(Integer::compareTo);
也可以写成:
OptionalInt min = menu.stream().mapToInt(Dish::getCalories).min();
OptionalInt max = menu.stream().mapToInt(Dish::getCalories).max();
min获取流中最小值,max获取流中最大值,方法参数为Comparator<? super T> comparator。
通过minBy/maxBy获取最小最大值
Optional<Integer> min = menu.stream().map(Dish::getCalories).collect(minBy(Integer::compareTo));
Optional<Integer> max = menu.stream().map(Dish::getCalories).collect(maxBy(Integer::compareTo));
minBy获取流中最小值,maxBy获取流中最大值,方法参数为Comparator<? super T> comparator。
通过reduce获取最小最大值
Optional<Integer> min = menu.stream().map(Dish::getCalories).reduce(Integer::min);
Optional<Integer> max = menu.stream().map(Dish::getCalories).reduce(Integer::max);
求和
通过summingInt
int sum = menu.stream().collect(summingInt(Dish::getCalories));
如果数据类型为double、long,则通过summingDouble、summingLong方法进行求和。
通过reduce
int sum = menu.stream().map(Dish::getCalories).reduce(0, Integer::sum);
通过sum
int sum = menu.stream().mapToInt(Dish::getCalories).sum();
在上面求和、求最大值、最小值的时候,对于相同操作有不同的方法可以选择执行。可以选择collect、reduce、min/max/sum方法,推荐使用min、max、sum方法。因为它最简洁易读,同时通过mapToInt将对象流转换为数值流,避免了装箱和拆箱操作。
通过averagingInt求平均值
double average = menu.stream().collect(averagingInt(Dish::getCalories));
如果数据类型为double、long,则通过averagingDouble、averagingLong方法进行求平均。
通过summarizingInt同时求总和、平均值、最大值、最小值
IntSummaryStatistics intSummaryStatistics = menu.stream().collect(summarizingInt(Dish::getCalories));
double average = intSummaryStatistics.getAverage(); //获取平均值
int min = intSummaryStatistics.getMin(); //获取最小值
int max = intSummaryStatistics.getMax(); //获取最大值
long sum = intSummaryStatistics.getSum(); //获取总和
如果数据类型为double、long,则通过summarizingDouble、summarizingLong方法。
通过foreach进行元素遍历
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
integerList.stream().forEach(System.out::println);
而在jdk8之前实现遍历:
for (int i : integerList) {System.out.println(i);
}
jdk8之后遍历元素来的更为方便,原来的for-each直接通过foreach方法就能实现了
返回集合
List<String> strings = menu.stream().map(Dish::getName).collect(toList());
Set<String> sets = menu.stream().map(Dish::getName).collect(toSet());
只举例了一部分,还有很多其他方法 jdk8之前
List<String> stringList = new ArrayList<>();Set<String> stringSet = new HashSet<>();for (Dish dish : menu) {stringList.add(dish.getName());stringSet.add(dish.getName());
}
通过遍历和返回集合的使用发现流只是把原来的外部迭代放到了内部进行,这也是流的主要特点之一。内部迭代可以减少好多代码量
通过joining拼接流中的元素
String result = menu.stream().map(Dish::getName).collect(Collectors.joining(", "));
默认如果不通过map方法进行映射处理拼接的toString方法返回的字符串,joining的方法参数为元素的分界符,如果不指定生成的字符串将是一串的,可读性不强。
进阶通过groupingBy进行分组
Map<Type, List<Dish>> result = dishList.stream().collect(groupingBy(Dish::getType));
在collect方法中传入groupingBy进行分组,其中groupingBy的方法参数为分类函数。还可以通过嵌套使用groupingBy进行多级分类。
Map<Type, List<Dish>> result = menu.stream().collect(groupingBy(Dish::getType,groupingBy(dish -> {if (dish.getCalories() <= 400) return CaloricLevel.DIET;else if (dish.getCalories() <= 700) return CaloricLevel.NORMAL;else return CaloricLevel.FAT;})));
进阶通过partitioningBy进行分区
分区是特殊的分组,它分类依据是true和false,所以返回的结果最多可以分为两组
Map<Boolean, List<Dish>> result = menu.stream().collect(partitioningBy(Dish :: isVegetarian))
等同于
Map<Boolean, List<Dish>> result = menu.stream().collect(groupingBy(Dish :: isVegetarian))
这个例子可能并不能看出分区和分类的区别,甚至觉得分区根本没有必要,换个明显一点的例子:
List<Integer> integerList = Arrays.asList(1, 2, 3, 4, 5);
Map<Boolean, List<Integer>> result = integerList.stream().collect(partitioningBy(i -> i < 3));
返回值的键仍然是布尔类型,但是它的分类是根据范围进行分类的,分区比较适合处理根据范围进行分类。
总 结
通过使用Stream API可以简化代码,同时提高了代码可读性,赶紧在项目里用起来。讲道理在没学Stream API之前,谁要是给我在应用里写很多Lambda,Stream API,飞起就想给他一脚。
我想,我现在可能爱上他了【嘻嘻】。同时使用的时候注意不要将声明式和命令式编程混合使用,前几天刷segment刷到一条:
imango老哥说的很对,别用声明式编程的语法干命令式编程的勾当
巧用Stream优化老代码,太清爽了!相关推荐
- 前端性能优化常用代码
前端性能优化常用代码 为什么要做性能优化?性能优化到底有多重要? 网站的性能优化对于用户的留存率.转化率有很大的影响,所以对于前端开发来说性能优化能力也是重要的考察点. 性能优化的点非常的多,有的小伙 ...
- 你可以这样优化 if-else 代码结构
点击上方"IT平头哥联盟",选择"置顶或者星标" 你的关注意义重大! 来自公众号:小生方勤 前言 最近部门在对以往的代码做一些优化,我在代码中看到一连串的 if ...
- PostgreSQL 优化器代码概览
简介 PostgreSQL 的开发源自上世纪80年代,它最初是 Michael Stonebraker 等人在美国国防部支持下创建的POSTGRE项目.上世纪末,Andrew Yu 等人在它上面搭建了 ...
- 编写与优化 Go 代码(一)
这是 go-perfbook 翻译的第一部分,这本书虽然没有写完,但里面的内容还是很有价值的,建议每一个 gopher 都看一看~ 编写与优化 Go 代码 本文档概述了编写高性能 Go 代码的最佳实践 ...
- PostgreSQL 优化器代码概览 1
简介 PostgreSQL 的开发源自上世纪80年代,它最初是 Michael Stonebraker 等人在美国国防部支持下创建的POSTGRE项目.上世纪末,Andrew Yu 等人在它上面搭建了 ...
- 崩溃!如何面对令人脱发的老代码?
点击关注公众号,实用技术文章及时了解 办公室里,老T戴上耳机播放一曲浪漫旋律,写出的代码散发出一股诗般的文艺气息.每一次从容不迫的敲下回车,枯燥无味的程序逻辑突然变得有血有肉,运行时的每个字节仿佛都会 ...
- 从零开始实现一个简易的Java MVC框架(九)--优化MVC代码
前言 在从零开始实现一个简易的Java MVC框架(七)--实现MVC中实现了doodle框架的MVC的功能,不过最后指出代码的逻辑不是很好,在这一章节就将这一部分代码进行优化. 优化的目标是1.去除 ...
- 偿还技术债 - 通过重构拯救老代码
偿还技术债 - 通过重构拯救老代码 尝试去接管一个陈旧的代码库使他成为达成一个可控的状态?这几年的大型的旧web应用程序开发给了我们如下这些建议. 通过重构去拯救旧代码 松鼠会因为忘记自己把松果放在那 ...
- 如何优化网站代码SEO更好?
如何优化网站代码SEO更好? 当前的互联网年代,内容为王,思路为皇,越来越多的站长对自己的网站进行SEO优化,特别是在智能搜索引擎推广方面,内容越来越显得重要,所以越来越多的站长会把更多的心思放在建造 ...
最新文章
- Html5 History API解析
- IOS笔记本----读写.plist文件
- strip lstrip rstrip
- maven进阶:一个多模块项目
- Android系统(45)--Monkey 测试相关知识
- GB/T 28181-2016与GB/T 28181-2011变更对比
- SQL2016安装错误:安装程序无法与下载服务器联系。请提供 Microsoft R Open 和 Microsoft R Server 安装文件的位置
- 《模式分类》原书(中文版)及课后习题答案(英文版)分享
- php调用redis的scan,hscan,zscan 命令
- 74HC595芯片组成测试工具_流水灯
- matlab实现基于DPCA密度峰值算法的图像分割
- java实现 zip rar 7z 压缩包解压
- python if else语句例子,python 中if else 语句的作用及示例代码
- 计算机应用评估与反馈,《计算机应用基础》(计算机应用基础教学效果评价研究)...
- 如何删除鼠标右键的显示的快捷键或功能?
- 跳转到指定的邮箱登录页面
- Linux Shell Shock漏洞利用和实战
- 尼康D5100、D5200 设置技巧
- 12个学习 CSS3 网站布局设计的优秀案例
- 歌礼扩大利托那韦口服片剂产能;博奥信生物任命叶信良博士为首席战略官兼中国区商务拓展负责人 | 医药健闻...
热门文章
- python第三方库jieba下载_Python第三方库____jieba
- 替换证件照背景颜色仅需十行Python代码
- js中的toString方法
- java for stl_STL迭代器
- 模板 - 上下界网络流
- Linux用户配置密码,linux用户配置文件passwd和密码配置文件shadow,用户管理,组管理...
- 计算机网络与通信pdf谢希仁_考研刷题资料谢希仁《计算机网络》(第7版)配套题库【考研真题精选(部分视频讲解)+章节题库】...
- 怎么卸载apowerrec_Win10预装应用太多如何彻底清除?一个命令删除
- php发卡_发卡网代码审计
- cad 怎么显示块句柄_新手必看的CAD小技巧,老师傅精选汇总,三分钟教你学习用处多多...