深入浅出Stream流
Java 8的新特性之一就是流stream，配条约版本出现的 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间，通常会通过循环的方式进行逐个处理，大概使用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流的时间，可能会如许写函数：
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，大概是按需生成。
[*]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实行的。这意味着直至需要其结果时，操作才会实行。
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气继续下去。
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气得到最终结果。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408011606864.jpeg
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
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172140064.webp
每个Stream管道操作都包罗若干方法，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，大概基于现有的数组、List、Set、Map等集合类型对象创建出新的Stream流。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172141732.webp
由数组创建流
Java8 中的 Arrays 的静态方法 stream() 可以获取数组流：
[*]staticStream stream(T[] array): 返回一个流
重载情势 ， 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。它可以吸收恣意数量的参数。
[*]public static Stream 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 Stream iterate(final T seed, final UnaryOperator f)
[*]生成：public static Stream generate(Supplier 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个大概多个新类型的元素，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：
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172146514.webp
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个大概多个新的元素；
下面两张图形象地说明了两者之间的区别：
map图：
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172146520.webp
flatMap图：
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172146496.webp
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);//这里需要补充一句，flatMap操作的时间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备的新的Stream，如下：
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172147908.webp
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，而没法直接实行得到结果，厥后面必须还要有其它终止操作的时间才会被实行
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。具体使用的时间，可以根据需要选择一个大概多个进行组合使用，大概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);//
}终止管道
顾名思义，通过终止管道操作之后，Stream流将会结束，最后可能会实行某些逻辑处理，大概是按照要求返回某些实行后的结果数据。
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，然后实行给定的处理逻辑。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可以直接实行相干操作。
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大概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);
}
[*]一个可以记录个数大概计算总和的对象（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，可以有用使用计算机的多CPU硬件，提升逻辑的实行速度。并行流畅过将一整个stream分别为多个片段，然后对各个分片流并行实行处理逻辑，最后将各个分片流的实行结果汇总为一个团体流。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172159067.gif
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实行，哪个线程实行的任务快，哪个线程实行的任务就多，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：
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408172156003.webp
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(),实际上如许不一定是合理的，如果只是简单的for循环，确实没有必要使用流式处理，由于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()使用的时间尽量避免耗时操作；
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，而如许就会导致当出息序很多地方共用同一个线程池，包括gc相干操作在内，所以一旦任务队列中满了之后，就会出现壅闭的环境，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实行时是由ForkJoin框架创建多个线程并行实行，由于ThreadLocal本身不具有可继承性，新生成的线程天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，颠末映射与过滤操作后，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门：
[*]搭建流水线，界说各阶段功能。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，颠末各阶段处理后，生成结果。
类图介绍
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202408011614687.jpeg
Stream是一个接口，它界说了对Stream的操作，它继承自BaseStream，BaseStream是最顶端的接口类，界说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，界说了 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，界说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，它还界说了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 接口界说了 Stream 之间的操作行为，包罗 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 接口协议来界说实现的。
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差别功能的流水线节点，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，可能包罗多个步骤，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。
界说输入源HEAD
只有实现了Collection接口的类才气创建流，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();https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302230750.png
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，一起追溯至 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;
}https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302240793.png
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
Stream<String> mapStream =startlist.stream().map(r->r+"b");界说终结操作
collect()运行结果
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302257007.png
颠末终结操作后，生成最终结果[“vb”]。
collect()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));
}
};
}
};
}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。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302303235.webp
反向回溯生成操作实例
Stream是“惰性实行”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。
Stream<String> filterStream = startlist.stream().map(r -> r + "b").filter(r -> r.startsWith("v"));这里调用了Collect中界说的makeSink()方法，输入终结节点生成的sink与数据源spliterator。
// 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);
}
};
}
};
}先来看wrapSink方法，在这个方法里，中间节点的opWrapSink方法使用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#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;
}最后索引到 depth=1 的Map节点，生成的结果Sink包罗了depth2节点Filter与终结节点Collect的Sink。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407312105124.png
红色框图表示Map节点的Sink，包罗当前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。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302309214.webp
启动流水线
统统准备停当后，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.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);
}先是调用Sink中已界说好的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中界说好的accept方法处理数据元素。accept实行的就是咱在每一节点界说的lambda代码块。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302310286.webp
随后调用end方法做后序扫尾工作。
https://seven97-blog.oss-cn-hangzhou.aliyuncs.com/imgs/202407302310306.webp
一个简单Stream团体关联图如上所示，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，连续学习迭代中~
本文已收录于我的个人博客：https://www.seven97.top
公众号：seven97，欢迎关注~
免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！更多信息从访问主页：qidao123.com:ToB企服之家，中国第一个企服评测及商务社交产业平台。
页:
[1]