深入浅出Stream流

Java 8的新特性之一就是流stream，配合同版本出现的 Lambda ，使得操作集合（Collection）提供了极大的便利。

案例引入

在JAVA中，涉及到对数组、Collection等集合类中的元素进行操作的时候，通常会通过循环的方式进行逐个处理，或者使用Stream的方式进行处理。

假设遇到了这么一个需求：从给定句子中返回单词长度大于5的单词列表，按长度倒序输出，最多返回3个。

在未接触Stream流的时候，可能会这样写函数：

public List<String> sortGetTop3LongWords(@NotNull String sentence) {

    // 先切割句子，获取具体的单词信息

    String[] words = sentence.split(" ");

    List<String> wordList = new ArrayList<>();

    // 循环判断单词的长度，先过滤出符合长度要求的单词

    for (String word : words) {

        if (word.length() > 5) {

            wordList.add(word);

        }

    }

    // 对符合条件的列表按照长度进行排序

    wordList.sort((o1, o2) -> o2.length() - o1.length());

    // 判断list结果长度，如果大于3则截取前三个数据的子list返回

    if (wordList.size() > 3) {

        wordList = wordList.subList(0, 3);

    }

    return wordList;

}

然而，如果用上了Stream流：



public List<String> sortGetTop3LongWordsByStream(@NotNull String sentence) {

    return Arrays.stream(sentence.split(" "))

            .filter(word -> word.length() > 5)

            .sorted((o1, o2) -> o2.length() - o1.length())

            .limit(3)

            .collect(Collectors.toList());

}

就是两个字：优雅

流的三大特点

流) (Stream) 到底是什么呢？是数据渠道，用于操作数据源（集合、数组等）所生成的元素序列。“ 集合讲的是数据，流讲的是计算！ ”

流并不存储元素。这些元素存储在底层的集合中，或者是按需生成。
流的操作不会修改源数据元素，而是生成一个新的流。
流的操作是尽可能惰性执行的。这意味着直至需要其结果时，操作才会执行。

操作分类

官方将 Stream 中的操作分为两大类：

中间操作（Intermediate operations），只对操作进行了记录，即只会返回一个流，不会进行计算操作。
终结操作（Terminal operations），实现了计算操作。

中间操作又可以分为：

无状态（Stateless）操作，元素的处理不受之前元素的影响。
有状态（Stateful）操作，指该操作只有拿到所有元素之后才能继续下去。

终结操作又可以分为：

短路（Short-circuiting）操作，指遇到某些符合条件的元素就可以得到最终结果
非短路（Unshort-circuiting）操作，指必须处理完所有元素才能得到最终结果。

如何使用

概括讲，可以将Stream流操作分为3种类型：

创建Stream
Stream中间处理
终止Steam

每个Stream管道操作都包含若干方法，先列举一下各个API的方法：

开始管道

主要负责新建一个Stream流，或者基于现有的数组、List、Set、Map等集合类型对象创建出新的Stream流。

由数组创建流

Java8 中的 Arrays 的静态方法 stream() 可以获取数组流：

static <T> Stream<T> stream(T[] array): 返回一个流

重载形式，能够处理对应基本类型的数组：

public static IntStream stream(int[] array)
public static LongStream stream(long[] array)
public static DoubleStream stream(double[] array)

由值创建流

可以使用静态方法 Stream.of()，通过显示的值创建一个流。它可以接收任意数量的参数。

public static<T> Stream<T> of(T... values) : 返回一个流

由函数创建流：创建无限流

可以使用静态方法 Stream.iterate() 和Stream.generate()，创建无限流。

迭代：public static<T> Stream<T> iterate(final T seed, final UnaryOperator<T> f)
生成：public static<T> Stream<T> generate(Supplier<T> s) :

中间管道

负责对Stream进行处理操作，并返回一个新的Stream对象，中间管道操作可以进行叠加。

API	功能说明
filter()	按照条件过滤符合要求的元素，返回新的stream流。
map()	将已有元素转换为另一个对象类型，一对一逻辑，返回新的stream流。
flatMap()	将已有元素转换为另一个对象类型，一对多逻辑，即原来一个元素对象可能会转换为1个或者多个新类型的元素，返回新的stream流。
limit()	仅保留集合前面指定个数的元素，返回新的stream流。
skip()	跳过集合前面指定个数的元素，返回新的stream流。
concat()	将两个流的数据合并起来为1个新的流，返回新的stream流。
distinct()	对Stream中所有元素进行去重，返回新的stream流。
sorted()	对stream中所有的元素按照指定规则进行排序，返回新的stream流。
peek()	对stream流中的每个元素进行逐个遍历处理，返回处理后的stream流。

map与flatMap

在项目中，经常看到也经常使用到map与flatMap，比如代码：

map与flatMap都是用于转换已有的元素为其它元素，区别点在于：

map 必须是一对一的，即每个元素都只能转换为1个新的元素；
flatMap 可以是一对多的，即每个元素都可以转换为1个或者多个新的元素；

下面两张图形象地说明了两者之间的区别：

map图：

flatMap图：

map用例

有一个字符串ID列表，现在需要将其转为别的对象列表。

/**

 * map的用途：一换一

 */

List<String> ids = Arrays.asList("205", "105", "308", "469", "627", "193", "111");

// 使用流操作

List<NormalOfferModel> results = ids.stream()

        .map(id -> {

            NormalOfferModel model = new NormalOfferModel();

            model.setCate1LevelId(id);

            return model;

        })

        .collect(Collectors.toList());

System.out.println(results);

flatMap用例

现有一个句子列表，需要将句子中每个单词都提取出来得到一个所有单词列表：

List<String> sentences = Arrays.asList("hello world","Hello Price Info The First Version");

// 使用流操作

List<String> results2 = sentences.stream()

        .flatMap(sentence -> Arrays.stream(sentence.split(" ")))

        .collect(Collectors.toList());

System.out.println(results2);//[hello, world, Hello, Price, Info, The, First, Version]

这里需要补充一句，flatMap操作的时候其实是先每个元素处理并返回一个新的Stream，然后将多个Stream展开合并为了一个完整的新的Stream，如下：

peek方法

peek可以用于对元素进行遍历然后逐个处理。

peek属于中间方法，这也就意味着peek只能作为管道中途的一个处理步骤，而没法直接执行得到结果，其后面必须还要有其它终止操作的时候才会被执行

filter、sorted、distinct、limit

这几个都是常用的Stream的中间操作方法，具体的方法的含义在上面的表格里面有说明。具体使用的时候，可以根据需要选择一个或者多个进行组合使用，或者同时使用多个相同方法的组合：

public void testGetTargetUsers() {

    List<String> ids = Arrays.asList("205","10","308","49","627","193","111", "193");

    // 使用流操作

    List<OfferModel> results = ids.stream()

            .filter(s -> s.length() > 2)//使用filter过滤掉不符合条件的数据

            .distinct()//通过distinct对存量元素进行去重操作

            .map(Integer::valueOf)//通过map操作将字符串转成整数类型

            .sorted(Comparator.comparingInt(o -> o))//借助sorted指定按照数字大小正序排列

            .limit(3)//使用limit截取排在前3位的元素

            .map(id -> new OfferModel(id))//又一次使用map将id转为OfferModel对象类型

            .collect(Collectors.toList());//使用collect终止操作将最终处理后的数据收集到list中

    System.out.println(results);//[OfferModel{id=111},  OfferModel{id=193},  OfferModel{id=205}]

}

终止管道

顾名思义，通过终止管道操作之后，Stream流将会结束，最后可能会执行某些逻辑处理，或者是按照要求返回某些执行后的结果数据。

API	功能说明
count()	返回stream处理后最终的元素个数。
max()	返回stream处理后的元素最大值。
min()	返回stream处理后的元素最小值。
findFirst()	找到第一个符合条件的元素时则终止流处理。
findAny()	找到任何一个符合条件的元素时则退出流处理，这个对于串行流时与findFirst相同，对于并行流时比较高效，任何分片中找到都会终止后续计算逻辑。
anyMatch()	返回一个boolean值，类似于isContains(),用于判断是否有符合条件的元素。
allMatch()	返回一个boolean值，用于判断是否所有元素都符合条件。
noneMatch()	返回一个boolean值，用于判断是否所有元素都不符合条件。
collect()	将流转换为指定的类型，通过Collectors进行指定。
toArray()	将流转换为数组。
iterator()	将流转换为Iterator对象。
foreach()	无返回值，对元素进行逐个遍历，然后执行给定的处理逻辑。

foreach

foreach和peek一样，都可以用于对元素进行遍历然后逐个处理。但foreach属于终止方法，也就是说foreach可以直接执行相关操作。

collect

可以支持生成如下类型的结果数据：

一个集合类，比如List、Set或者HashMap等；

List<NormalOfferModel> normalOfferModelList = Arrays.asList(new NormalOfferModel("11"),

                new NormalOfferModel("22"),

                new NormalOfferModel("33"));

// collect成list

List<NormalOfferModel> collectList = normalOfferModelList

        .stream()

        .filter(offer -> offer.getCate1LevelId().equals("11"))

        .collect(Collectors.toList());

System.out.println("collectList:" + collectList);

// collect成Set

Set<NormalOfferModel> collectSet = normalOfferModelList

        .stream()

        .filter(offer -> offer.getCate1LevelId().equals("22"))

        .collect(Collectors.toSet());

System.out.println("collectSet:" + collectSet);

// collect成HashMap，key为id，value为Dept对象

Map<String, NormalOfferModel> collectMap = normalOfferModelList

        .stream()

        .filter(offer -> offer.getCate1LevelId().equals("33"))

        .collect(Collectors.toMap(NormalOfferModel::getCate1LevelId, Function.identity(), (k1, k2) -> k2));

System.out.println("collectMap:" + collectMap);

StringBuilder对象，支持将多个字符串进行拼接处理并输出拼接后结果；

public void testCollectJoinStrings() {

    List<String> ids = Arrays.asList("205", "10", "308", "49", "627", "193", "111", "193");

    String joinResult = ids.stream().collect(Collectors.joining(","));

    System.out.println("拼接后：" + joinResult);

}

一个可以记录个数或者计算总和的对象（数据批量运算统计）；

public void testNumberCalculate() {

    List<Integer> ids = Arrays.asList(10, 20, 30, 40, 50);

    // 计算平均值

    Double average = ids.stream().collect(Collectors.averagingInt(value -> value));

    System.out.println("平均值：" + average);

    // 数据统计信息

    IntSummaryStatistics summary = ids.stream().collect(Collectors.summarizingInt(value -> value));

    System.out.println("数据统计信息：" + summary);

}

并行Stream

parallelStream的机制说明

使用并行流，可以有效利用计算机的多CPU硬件，提升逻辑的执行速度。并行流通过将一整个stream划分为多个片段，然后对各个分片流并行执行处理逻辑，最后将各个分片流的执行结果汇总为一个整体流。

可以通过parallelStream的源码发现parallel Stream底层是将任务进行了切分，最终将任务传递给了jdk8自带的“全局”ForkJoinPool线程池。在Fork-Join中，比如一个拥有4个线程的ForkJoinPool线程池，有一个任务队列，一个大的任务切分出的子任务会提交到线程池的任务队列中，4个线程从任务队列中获取任务执行，哪个线程执行的任务快，哪个线程执行的任务就多，只有队列中没有任务线程才是空闲的，这就是工作窃取。

可以通过下图更好的理解这种“分而治之”的思想：

约束与限制

parallelStream()中foreach()操作必须保证是线程安全的；

很多人在用惯了流式处理之后，很多for循环都会直接使用流式foreach(),实际上这样不一定是合理的，如果只是简单的for循环，确实没有必要使用流式处理，因为流式底层封装了很多流式处理的复杂逻辑，从性能上来讲不占优。

parallelStream()中foreach()不要直接使用默认的线程池；

ForkJoinPool customerPool = new ForkJoinPool(n);

customerPool.submit(

     () -> customerList.parallelStream().具体操作

parallelStream()使用的时候尽量避免耗时操作；

注意

parallelStream和整个java进程共用ForkJoinPool：如果直接使用parallelStream().foreach会默认使用全局的ForkJoinPool，而这样就会导致当前程序很多地方共用同一个线程池，包括gc相关操作在内，所以一旦任务队列中满了之后，就会出现阻塞的情况，导致整个程序的只要当前使用ForkJoinPool的地方都会出现问题。

parallelStream使用后ThreadLocal数据为空：parallelStream创建的并行流在真正执行时是由ForkJoin框架创建多个线程并行执行，由于ThreadLocal本身不具有可继承性，新生成的线程自然无法获取父线程中的ThreadLocal数据。

流的运行流程

下面是一段比较简单常见的stream操作代码，经过映射与过滤操作后，最后得到的endList=["vb"]，下文讲解都会以此代码为例。

List<String> startlist = Lists.newArrayList("s", "e", "v", "e", "n");

List<String> endList = startlist.stream().map(r -> r + "b").filter(r -> r.startsWith("v")).collect(Collectors.toList());

一段Stream代码的运行包括以下三部分：

搭建流水线，定义各阶段功能。即创建stream
从终结点反向索引，生成操作实例Sink。
数据源送入流水线，经过各阶段处理后，生成结果。

类图介绍

Stream是一个接口，它定义了对Stream的操作，它继承自BaseStream，BaseStream是最顶端的接口类，定义了流的基本接口方法，最主要的方法为 spliterator、isParallel。

Stream主要可分为中间操作与终结操作，中间操作对流进行转化，定义了 映射(map)、过滤(filter)、排序(sorted)等行为。终结操作启动流水线，获取结果数据(collect)。

AbstractPipline是一个抽象类，定义了流水线节点的常用属性：

sourceStage：指向流水线首节点
previousStage ：指向本节点上层节点
nextStage ：指向本节点下层节点
depth：代表本节点处于流水线第几层（从0开始计数）
sourceSpliterator：指向数据源

ReferencePipline 实现Stream接口，继承AbstractPipline类，它主要对Stream中的各个操作进行实现。此外，它还定义了Head、StatelessOp、StatefulOp三个内部类。

Head为流水线首节点，在集合转为流后，生成Head节点。
StatelessOp为无状态操作：无状态操作只对当前元素进行作用，比如filter操作只需判断“v”元素符不符合“startWith("v")”这个要求，无需在对“v”进行判断时关注数据源其他元素（“s”，“e”，“n”）的状态
StatefulOp为有状态操作：有状态操作需要关注数据源中其他元素的状态，比如sorted操作要保留数据源其他元素，然后进行排序，生成新流。

Sink 接口定义了 Stream 之间的操作行为，包含 begin()、end()、cancellationRequested()、accpt()四个方法。ReferencePipeline最终会将整个 Stream 流操作组装成一个调用链，而这条调用链上的各个 Stream 操作的上下关系就是通过 Sink 接口协议来定义实现的。

搭建流水线

首先需要区分一个概念，Stream(流)并不是一个容器，不存储数据，它更像是一个个具有不同功能的流水线节点，可相互串联，容许数据源挨个通过，最后随着终结操作生成结果。Stream流水线搭建包括三个阶段：

创建一个流，如通过stream()产生Head，Head就是初始流，数据存储在Spliterator。
将初始流转换成其他流的中间操作，可能包含多个步骤，比如上面map与filter操作。
终止操作，用于产生结果，终结操作后，流也就走到了终点。

定义输入源HEAD

只有实现了Collection接口的类才能创建流，所以Map并不能创建流，List与Set这种单列集合才可创建流。上述代码使用stream()方法创建流，也可使用Stream.of()创建任何数量引元的流，或是 Array.stream(array,from,to) 从数组中from到to的位置创建输入源。

stream()运行结果

示例代码中使用stream()方法生成流，看看生成的流中有哪些内容：

Stream<String> headStream = startlist.stream();

从运行结果来看，stream(）方法生成了ReferencPipeline$Head类，ReferencPipeline是Stream的实现类，Head是ReferencePipline的内部类。其中:

sourceStage指向实例本身
depth=0代表Head是流水线首层
sourceSpliterator 指向底层存储数据的集合，其中list即初始数据源。

stream()源码分析

// java.util.Collection#stream

default Stream<E> stream() {

    return StreamSupport.stream(spliterator(), false);

}

// java.util.Collection#spliterator

@Override

default Spliterator<E> spliterator() {

    return Spliterators.spliterator(this, 0);

}

spliterator()将 “调用stream()方法的对象本身startlist” 传入构造函数，生成Spliterator类，传入StreamSupport.stream()方法。

// java.util.stream.StreamSupport#stream(java.util.Spliterator<T>, boolean)

public static <T> Stream<T> stream(Spliterator<T> spliterator, boolean parallel) {

    Objects.requireNonNull(spliterator);

    return new ReferencePipeline.Head<>(spliterator,

                                        StreamOpFlag.fromCharacteristics(spliterator),

                                        parallel);

}

StreamSupport.stream()返回了ReferencPipeline$Head类。

点击构造函数，一路追溯至 AbstractPipline 中，可看到使用sourceSpliterator指向数据源，sourceStage为Head实例本身，深度depth=0。

// java.util.stream.AbstractPipeline#AbstractPipeline(java.util.Spliterator<?>, int, boolean)

AbstractPipeline(Spliterator<?> source, int sourceFlags, boolean parallel) {

    this.previousStage = null;

    this.sourceSpliterator = source;//指向传入的spliterator，也就是调用stream()方法的list，即数据源

    this.sourceStage = this; //Head实例本身

    this.sourceOrOpFlags = sourceFlags & StreamOpFlag.STREAM_MASK;

    // The following is an optimization of:

    // StreamOpFlag.combineOpFlags(sourceOrOpFlags, StreamOpFlag.INITIAL_OPS_VALUE);

    this.combinedFlags = (~(sourceOrOpFlags << 1)) & StreamOpFlag.INITIAL_OPS_VALUE;

    this.depth = 0;//深度为0

    this.parallel = parallel;

}

定义流水线中间节点

Map

map()运行结果

对数据进行映射，对每个元素后接"b"。

Stream<String> mapStream =startlist.stream().map(r->r+"b");

此时：（由于是多次dubug，因此对象的地址值与上面不一致，但不影响案例分析，下同）

sourceStage与previousStage 皆指向Head节点
depth变为1，表示为流水线第二节点
由于代码后续没接其他操作，所以nextStage为null
mapper代表函数式接口，指向lambda代码块，即 “r->r+"b"” 这个操作。

map()源码分析

//java.util.stream.ReferencePipeline#map

@Override

@SuppressWarnings("unchecked")

public final <R> Stream<R> map(Function<? super P_OUT, ? extends R> mapper) {

    Objects.requireNonNull(mapper);

    return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,

                               StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {

        @Override

        Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {

            return new Sink.ChainedReference<P_OUT, R>(sink) {

                @Override

                public void accept(P_OUT u) {

                    downstream.accept(mapper.apply(u));

                }

            };

        }

    };

}

可以看到，map()方法是在ReferencePipline中被实现的，返回了一个无状态操作StatelessOp，定义opWrapSink方法，运行时会将lambda代码块的内容替换apply方法，对数据元素u进行操作。opWrapSink方法将返回Sink对象，其用处将在下文讲解。downstream为opWrapSink的入参sink。

Filter

filter()运行结果

filter对元素进行过滤，只留存以“v”开头的数据元素。

 Stream<String> filterStream = startlist.stream().map(r -> r + "b").filter(r -> r.startsWith("v"));

Filter阶段：

depth再次+1，变为2
sourceStage指向Head
predict指向lamda表达式的代码块：“r->r.startsWith("a")”
previousStage指向前序Map节点
Map节点中的nextStage 开始指向Filter，形成了双向链表。

filter()源码分析

// java.util.stream.ReferencePipeline#filter

@Override

public final Stream<P_OUT> filter(Predicate<? super P_OUT> predicate) {

    Objects.requireNonNull(predicate);

    return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,

                                 StreamOpFlag.NOT_SIZED) {

        @Override

        Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {

            return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {

                @Override

                public void begin(long size) {

                    downstream.begin(-1);

                }

                @Override

                public void accept(P_OUT u) {

                    if (predicate.test(u)) // "r->r.startsWith("v")"

                        downstream.accept(u);

                }

            };

        }

    };

}

filter()也是在ReferencePipline中被实现，返回一个无状态操作StatelessOp，实现opWrapSink方法，也是返回一个Sink，其中accept方法中的predicate.test="r->r.startsWith("v")"，用以过滤符合要求的元素。downstream等于opWrapSink入参Sink。

new StatelessOp 最终会调用父类 AbstractPipeline 的构造函数，这个构造函数将前后的 Stage 联系起来，生成一个 Stage 双向链表：

// java.util.stream.AbstractPipeline#AbstractPipeline(java.util.stream.AbstractPipeline<?,E_IN,?>, int)

AbstractPipeline(AbstractPipeline <? , E_IN, ?> previousStage, int opFlags) {

    if (previousStage.linkedOrConsumed)

        throw new IllegalStateException(MSG_STREAM_LINKED);

    previousStage.linkedOrConsumed = true;

    previousStage.nextStage = this;

    this.previousStage = previousStage;

    this.sourceOrOpFlags = opFlags & StreamOpFlag.OP_MASK;

    this.combinedFlags = StreamOpFlag.combineOpFlags(opFlags, previousStage.combinedFlags);

    this.sourceStage = previousStage.sourceStage;

    if (opIsStateful())

        sourceStage.sourceAnyStateful = true;

    this.depth = previousStage.depth + 1;

}

定义终结操作

collect()运行结果

经过终结操作后，生成最终结果[“vb”]。

collect()源码分析

// java.util.stream.ReferencePipeline#collect(java.util.stream.Collector<? super P_OUT,A,R>)

@Override

@SuppressWarnings("unchecked")

public final < R, A > R collect(Collector <? super P_OUT, A, R > collector) {

    A container;

    if (isParallel() //是并行操作

        	&& (collector.characteristics().contains(Collector.Characteristics.CONCURRENT))

        	&& (!isOrdered() || collector.characteristics().contains(Collector.Characteristics.UNORDERED))) {

        container = collector.supplier().get();

        BiConsumer < A, ? super P_OUT > accumulator = collector.accumulator();

        forEach(u - > accumulator.accept(container, u));

    }

    else { // 不是并行操作

        container = evaluate(ReduceOps.makeRef(collector));

    }

    return collector.characteristics().contains(Collector.Characteristics.IDENTITY_FINISH)

        ? (R) container

        : collector.finisher().apply(container);

}

同样的，collect终结操作也在ReferencePipline中被实现。由于不是并行操作，只要关注evaluate()方法即可，而evaluate()方法中有一个makeRef()方法

// java.util.stream.ReduceOps#makeRef(java.util.stream.Collector<? super T,I,?>)

public static < T, I > TerminalOp < T, I > makeRef(Collector <? super T, I, ?> collector) {

    Supplier < I > supplier = Objects.requireNonNull(collector).supplier();

    BiConsumer < I, ? super T > accumulator = collector.accumulator();

    BinaryOperator < I > combiner = collector.combiner();

    class ReducingSink extends Box < I > implements AccumulatingSink < T, I, ReducingSink > {

        @Override

        public void begin(long size) {

            state = supplier.get();

        }

        @Override

        public void accept(T t) {

            accumulator.accept(state, t);

        }

        @Override

        public void combine(ReducingSink other) {

            state = combiner.apply(state, other.state);

        }

    }

    return new ReduceOp < T, I, ReducingSink > (StreamShape.REFERENCE) {

        @Override

        public ReducingSink makeSink() {

            return new ReducingSink();//new一个ReducingSInk对象

        }

        @Override

        public int getOpFlags() {

            return collector.characteristics().contains(Collector.Characteristics.UNORDERED) ? StreamOpFlag.NOT_ORDERED : 0;

        }

    };

}

makeRef()方法中也有个类似opWrapSink一样返回Sink的方法，不过没有以其他Sink为输入，而是直接new一个ReducingSInk对象。

至此，可以根据源码绘出下图，使用双向链表连接各个流水线节点，并将每个阶段的lambda代码块存入Sink类中。数据源使用sourceSpliterator引用。

反向回溯生成操作实例

Stream是“惰性执行”的，在一层一层搭建中间节点时，并未有任何结果产生，而在终结操作collect之后，才会生成最终结果endList，接下来具体探究一下collect()方法中的evaluate方法。

// java.util.stream.AbstractPipeline#evaluate(java.util.stream.TerminalOp<E_OUT,R>)

final < R > R evaluate(TerminalOp < E_OUT, R > terminalOp) {

    assert getOutputShape() == terminalOp.inputShape();

    if (linkedOrConsumed)

        throw new IllegalStateException(MSG_STREAM_LINKED);

    linkedOrConsumed = true;

    return isParallel()

        ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags()))

        : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));

}

这里调用了Collect中定义的makeSink()方法，输入终结节点生成的sink与数据源spliterator。

// java.util.stream.ReduceOps.ReduceOp#evaluateSequential

@Override

public < P_IN > R evaluateSequential(PipelineHelper < T > helper,

    Spliterator < P_IN > spliterator) {

    return helper.wrapAndCopyInto(makeSink(), spliterator).get();

}

// java.util.stream.AbstractPipeline#wrapAndCopyInto

@Override

final < P_IN, S extends Sink < E_OUT >> S wrapAndCopyInto(S sink, Spliterator < P_IN > spliterator) {

    copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);

    return sink;

}

先来看wrapSink方法，在这个方法里，中间节点的opWrapSink方法利用previousStage反向索引，后一个节点的sink送入前序节点的opWrapSink方法中做入参，也就是downstream，生成当前sink，再索引向前，生成套娃Sink。

// java.util.stream.AbstractPipeline#wrapSink

final < P_IN > Sink < P_IN > wrapSink(Sink < E_OUT > sink) {

    Objects.requireNonNull(sink);

    for (@SuppressWarnings("rawtypes") AbstractPipeline p = AbstractPipeline.this; p.depth > 0; p = p.previousStage) {

        sink = p.opWrapSink(p.previousStage.combinedFlags, sink);

    }

    return (Sink < P_IN > ) sink;

}

最后索引到 depth=1 的Map节点，生成的结果Sink包含了depth2节点Filter与终结节点Collect的Sink。

红色框图表示Map节点的Sink，包含当前Stream与downstream（Filter节点Sink），黄色代表Filter节点Sink，downstream指向Collect节点。

Sink被反向套娃实例化，一步步索引到Map节点。

启动流水线

一切准备就绪后，就是把数据源冲入流水线，在wrapSink方法套娃生成Sink之后，copyInto方法将数据源送入了流水线。

// java.util.stream.AbstractPipeline#wrapAndCopyInto

@Override

 final < P_IN, S extends Sink < E_OUT >> S wrapAndCopyInto(S sink, Spliterator < P_IN > spliterator) {

     copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);

     return sink;

 }

@Override

final < P_IN > void copyInto(Sink < P_IN > wrappedSink, Spliterator < P_IN > spliterator) {

    Objects.requireNonNull(wrappedSink);

    if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {

        wrappedSink.begin(spliterator.getExactSizeIfKnown());

        spliterator.forEachRemaining(wrappedSink);

        wrappedSink.end();

    } else {

        copyIntoWithCancel(wrappedSink, spliterator);

    }

}

先是调用Sink中已定义好的begin方法，做些前序处理，Sink中的begin方法会不断调用下一个Sink的begin方法。

随后对数据源中各个元素进行遍历，调用Sink中定义好的accept方法处理数据元素。accept执行的就是咱在每一节点定义的lambda代码块。

随后调用end方法做后序扫尾工作。

一个简单Stream整体关联图如上所示，最后调用get()方法生成结果。

关于作者

来自一线程序员Seven的探索与实践，持续学习迭代中~

本文已收录于我的个人博客：https://www.seven97.top

公众号：seven97，欢迎关注~