在 Java8 之前，对于大数据量的集合，传统的遍历方式主要是通过 for 循环或者 Iterator 迭代。然而，这种方式在处理大数据量集合时效率并不理想。以电商系统中的订单表为例，通常使用用户 ID 的 Hash 值来实现分表分库，以减少单个表的数据量，提高用户查询订单的速度。但当后台管理员审核订单时，需要将各个数据源的数据查询到应用层之后进行合并操作。比如，查询出过滤条件下的所有订单，并按照某个条件进行排序。在 Java8 之前，通常是通过 for 循环或者 Iterator 迭代来重新排序合并数据，或者通过重新定义 Collections.sort 的 Comparator 方法来实现。但这两种方式对于大数据量系统来说，效率低下。假设一个电商系统中有大量的订单数据需要处理，使用传统的遍历方式，随着数据量的增加，遍历所需的时间会呈线性增长。例如，当有 10 万个订单数据需要遍历筛选并排序时，可能需要花费数秒甚至更长的时间。而且传统方式的代码相对复杂，不够简洁，容易出错。此外，传统方式在处理多数据源的数据合并和排序时，需要手动管理遍历的过程，增加了开发的难度和维护成本。对于开发者来说，不仅要关注遍历的逻辑，还要处理各种边界情况和异常情况，使得代码的可读性和可维护性降低。
Stream 的优势初现
-
简洁强大的示例
通过这个例子可以看出，Stream 结合 Lambda 表达式使得代码更加简洁易懂，同时也提高了开发效率。import java.util.ArrayList;import java.util.List;import java.util.Map;import java.util.stream.Collectors;class Student {private String name;private int age;public Student(String name, int age) {this.name = name;this.age = age;}public String getName() {return name;}public int getAge() {return age;}}public class StreamExample {public static void main(String[] args) {List<Student> students = new ArrayList<>();students.add(new Student("小明", 17));students.add(new Student("小红", 19));students.add(new Student("小刚", 20));Map<Boolean, List<Student>> groupedStudents = students.stream().collect(Collectors.groupingBy(student -> student.getAge() > 18));System.out.println("年龄大于 18 岁的学生：");groupedStudents.get(true).forEach(student -> System.out.println(student.getName()));}}
-
类似数据库操作
Stream 如何优化遍历
-
操作分类
-
源码实现
-
操作叠加
-
实例分析
在这个例子中，Stream 操作流程并非表面上的多次遍历集合。首先，通过filter操作筛选出以 “张” 为姓氏的名字，这一步只是记录了操作，并没有真正遍历集合。然后，通过reduce操作进行比较，找到最长的名字。在这个过程中，Stream 利用其内部的高效处理方式，只在需要的时候才进行实际的计算，大大提高了遍历集合的效率。import java.util.ArrayList;import java.util.List;import java.util.Optional;public class StreamExample {public static void main(String[] args) {List<String> names = new ArrayList<>();names.add("张三丰");names.add("李四");names.add("张无忌");names.add("王五");Optional<String> longestZhangName = names.stream().filter(name -> name.startsWith("张")).reduce((name1, name2) -> name1.length() > name2.length()? name1 : name2);if (longestZhangName.isPresent()) {System.out.println("最长且以张为姓氏的名字：" + longestZhangName.get());}}}
Stream 的并行处理
-
结合 ForkJoin 框架
-
性能测试对比
Tips
-
并行流（Parallel Streams）
parallel()方法，或者直接在集合上调用parallelStream()。
示例：
注意，并行并不总是更快，其效率取决于任务的性质和数据的大小。对于小数据集，由于并行处理的开销，顺序处理可能更快。List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);// 使用并行流计算总和long sum = numbers.parallelStream().mapToInt(Integer::intValue).sum();
-
避免副作用
不推荐的示例：
List<Integer> numbers = Arrays.asList(1, 2, 3);List<Integer> squares = new ArrayList<>();numbers.stream().forEach(n -> {squares.add(n * n); // 这里修改了外部集合squares});
推荐的示例：
List<Integer> numbers = Arrays.asList(1, 2, 3);List<Integer> squares = numbers.stream().map(n -> n * n).collect(Collectors.toList());
-
合理选择终端操作
reduce()操作可能比collect()更高效，尤其是在不需要构造复杂结果结构时。-
利用短路操作
anyMatch(), allMatch(), 和 findFirst()。这在处理大数据集时特别有用，因为它们可以在找到第一个匹配项后立即终止操作。
示例：
boolean hasEvenNumber = numbers.stream().anyMatch(n -> n % 2 == 0);-
避免不必要的收集
示例：
OptionalInt max = numbers.stream().mapToInt(Integer::intValue).max();-
利用Stream的特化版本
IntStream, LongStream, DoubleStream）可以减少自动装箱/拆箱的开销，提高效率。
标签：遍历,Java,Stream,迭代,处理,集合,操作 From： https://www.cnblogs.com/azwz/p/18451374