我們期待了很久lambda為java帶來閉包的概念，但是如果我們不在集合中使用它的話，就損失了很大價值?，F(xiàn)有接口遷移成為lambda風(fēng)格的問題已經(jīng)通過default methods解決了，在這篇文章將深入解析Java集合里面的批量數(shù)據(jù)操作（bulk operation），解開lambda最強作用的神秘面紗。

1.關(guān)于JSR335

JSR是Java Specification Requests的縮寫，意思是Java 規(guī)范請求,Java 8 版本的主要改進是 Lambda 項目（JSR 335），其目的是使 Java 更易于為多核處理器編寫代碼。

2.外部VS內(nèi)部迭代

以前Java集合是不能夠表達內(nèi)部迭代的，而只提供了一種外部迭代的方式，也就是for或者while循環(huán)。

List persons = asList(new Person("Joe"), new Person("Jim"), new Person("John"));
for (Person p : persons) {
 p.setLastName("Doe");
}

上面的例子是我們以前的做法，也就是所謂的外部迭代，循環(huán)是固定的順序循環(huán)。在現(xiàn)在多核的時代，如果我們想并行循環(huán)，不得不修改以上代碼。效率能有多大提升還說定，且會帶來一定的風(fēng)險（線程安全問題等等）。 

要描述內(nèi)部迭代，我們需要用到Lambda這樣的類庫,下面利用lambda和Collection.forEach重寫上面的循環(huán) 

persons.forEach(p->p.setLastName("Doe"));

現(xiàn)在是由jdk 庫來控制循環(huán)了，我們不需要關(guān)心last name是怎么被設(shè)置到每一個person對象里面去的，庫可以根據(jù)運行環(huán)境來決定怎么做，并行，亂序或者懶加載方式。這就是內(nèi)部迭代，客戶端將行為p.setLastName當做數(shù)據(jù)傳入api里面。 內(nèi)部迭代其實和集合的批量操作并沒有密切的聯(lián)系，借助它我們感受到語法表達上的變化。真正有意思的和批量操作相關(guān)的是新的流（stream）API。新的java.util.stream包已經(jīng)添加進JDK 8了。

3.Stream API

流（Stream）僅僅代表著數(shù)據(jù)流，并沒有數(shù)據(jù)結(jié)構(gòu)，所以他遍歷完一次之后便再也無法遍歷（這點在編程時候需要注意，不像Collection，遍歷多少次里面都還有數(shù)據(jù)），它的來源可以是Collection、array、io等等。

3.1中間與終點方法

流作用是提供了一種操作大數(shù)據(jù)接口，讓數(shù)據(jù)操作更容易和更快。它具有過濾、映射以及減少遍歷數(shù)等方法，這些方法分兩種：中間方法和終端方法，“流”抽象天生就該是持續(xù)的，中間方法永遠返回的是Stream，因此如果我們要獲取最終結(jié)果的話，必須使用終點操作才能收集流產(chǎn)生的最終結(jié)果。區(qū)分這兩個方法是看他的返回值，如果是Stream則是中間方法，否則是終點方法。

簡單介紹下幾個中間方法（filter、map）以及終點方法（collect、sum）

3.1.1Filter

在數(shù)據(jù)流中實現(xiàn)過濾功能是首先我們可以想到的最自然的操作了。Stream接口露了一個filter方法，它可以接受表示操作的Predicate實現(xiàn)來使用定義了過濾條件的lambda表達式。

List persons = …
Stream personsOver18 = persons.stream().filter(p -> p.getAge() > 18);//過濾18歲以上的人

3.1.2Map

假使我們現(xiàn)在過濾了一些數(shù)據(jù)，比如轉(zhuǎn)換對象的時候。Map操作允許我們執(zhí)行一個Function的實現(xiàn)（Function<T,R>的泛型T,R分別表示執(zhí)行輸入和執(zhí)行結(jié)果），它接受入?yún)⒉⒎祷亍Ｊ紫?，讓我們來看看怎樣以匿名?nèi)部類的方式來描述它：

Stream adult= persons
    .stream()
    .filter(p -> p.getAge() > 18)
    .map(new Function() {
     @Override
     public Adult apply(Person person) {
      return new Adult(person);//將大于18歲的人轉(zhuǎn)為成年人
     }
    });

現(xiàn)在，把上述例子轉(zhuǎn)換成使用lambda表達式的寫法：

Stream map = persons.stream()
     .filter(p -> p.getAge() > 18)
     .map(person -> new Adult(person));

3.1.3Count

count方法是一個流的終點方法，可使流的結(jié)果最終統(tǒng)計，返回int，比如我們計算一下滿足18歲的總?cè)藬?shù)

int countOfAdult=persons.stream()
      .filter(p -> p.getAge() > 18)
      .map(person -> new Adult(person))
      .count();

3.1.4Collect

collect方法也是一個流的終點方法，可收集最終的結(jié)果

List adultList= persons.stream()
      .filter(p -> p.getAge() > 18)
      .map(person -> new Adult(person))
      .collect(Collectors.toList());

或者，如果我們想使用特定的實現(xiàn)類來收集結(jié)果：

List adultList = persons
     .stream()
     .filter(p -> p.getAge() > 18)
     .map(person -> new Adult(person))
     .collect(Collectors.toCollection(ArrayList::new));

篇幅有限，其他的中間方法和終點方法就不一一介紹了，看了上面幾個例子，大家明白這兩種方法的區(qū)別即可，后面可根據(jù)需求來決定使用。

3.2順序流與并行流

每個Stream都有兩種模式：順序執(zhí)行和并行執(zhí)行。

順序流：

List <Person> people = list.getStream.collect(Collectors.toList());

并行流：

List <Person> people = list.getStream.parallel().collect(Collectors.toList());

顧名思義，當使用順序方式去遍歷時，每個item讀完后再讀下一個item。而使用并行去遍歷時，數(shù)組會被分成多個段，其中每一個都在不同的線程中處理，然后將結(jié)果一起輸出。

3.2.1并行流原理：

List originalList = someData;
split1 = originalList(0, mid);//將數(shù)據(jù)分小部分
split2 = originalList(mid,end);
new Runnable(split1.process());//小部分執(zhí)行操作
new Runnable(split2.process());
List revisedList = split1 + split2;//將結(jié)果合并

大家對hadoop有稍微了解就知道，里面的 MapReduce  本身就是用于并行處理大數(shù)據(jù)集的軟件框架，其 處理大數(shù)據(jù)的核心思想就是大而化小，分配到不同機器去運行map，最終通過reduce將所有機器的結(jié)果結(jié)合起來得到一個最終結(jié)果，與MapReduce不同，Stream則是利用多核技術(shù)可將大數(shù)據(jù)通過多核并行處理，而MapReduce則可以分布式的。

3.2.2順序與并行性能測試對比

如果是多核機器，理論上并行流則會比順序流快上一倍，下面是測試代碼

long t0 = System.nanoTime();

  //初始化一個范圍100萬整數(shù)流,求能被2整除的數(shù)字，toArray（）是終點方法

  int a[]=IntStream.range(0, 1_000_000).filter(p -> p % 2==0).toArray();

  long t1 = System.nanoTime();

  //和上面功能一樣，這里是用并行流來計算

  int b[]=IntStream.range(0, 1_000_000).parallel().filter(p -> p % 2==0).toArray();

  long t2 = System.nanoTime();

  //我本機的結(jié)果是serial: 0.06s, parallel 0.02s，證明并行流確實比順序流快

  System.out.printf("serial: %.2fs, parallel %.2fs%n", (t1 - t0) * 1e-9, (t2 - t1) * 1e-9);

3.3關(guān)于Folk/Join框架

應(yīng)用硬件的并行性在java 7就有了，那就是 java.util.concurrent 包的新增功能之一是一個 fork-join 風(fēng)格的并行分解框架，同樣也很強大高效，有興趣的同學(xué)去研究，這里不詳談了，相比Stream.parallel()這種方式，我更傾向于后者。

4.總結(jié)

如果沒有l(wèi)ambda，Stream用起來相當別扭，他會產(chǎn)生大量的匿名內(nèi)部類，比如上面的3.1.2map例子，如果沒有default method，集合框架更改勢必會引起大量的改動，所以lambda+default method使得jdk庫更加強大，以及靈活，Stream以及集合框架的改進便是最好的證明。