原创：扣钉日记（微信公众号ID：codelogs），欢送分享，非公众号转载保留此申明。
简介
日常编程工作中，Java汇合会常常被应用到，且常常须要对汇合做一些相似过滤、排序、对象转换之类的操作。
为了简化这类操作，Java8增加了一套新的Stream API，应用形式就像写SQL一样，大大简化了这类解决的实现代码量与可读性。
根底Stream函数
比方，咱们要查问双11期间交易额最大的10笔订单的用户信息，用SQL实现的话，大抵如下：
select user_id, user_name from order where pay_time >= '2022-11-01' and pay_time < '2022-12-01' order by goods_amount desc limit 10;这种解决逻辑，不必Stream API，实现代码大抵如下：
public static List<User> getTop10Users() throws ParseException { List<Order> orders = getOrders(); // 过滤出双11订单 List<Order> filteredOrders = new ArrayList<>(); long begin = DateUtils.parseDate("2022-11-01", "yyyy-MM-dd").getTime(); long end = DateUtils.parseDate("2022-12-01", "yyyy-MM-dd").getTime(); for (Order order : orders) { if(order.getPayTime().getTime() >= begin && order.getPayTime().getTime() < end) { filteredOrders.add(order); } } // 按订单金额倒序排序 filteredOrders.sort(Comparator.comparing(Order::getGoodsAmount).reversed()); // 取前10名订单，组装出用户信息 List<User> users = new ArrayList<>(); Iterator<Order> it = filteredOrders.iterator(); for (int i = 0; i < 10 && it.hasNext(); i++) { Order order = it.next(); users.add(new User(order.getUserId(), order.getUserName())); } return users;}下面代码与SQL的逻辑是一样的，但能够发现，下面代码的可了解性比SQL差很多，起因是SQL应用的是含意更加靠近用意的申明式语法，而上述代码如果没有很好的正文的话，则须要你的大脑像CPU一样，将各种指令执行一遍才明确大略用意。
那咱们再用Stream API实现一下这个函数看看，如下：
public static List<User> getTop10Users() throws ParseException { List<Order> orders = getOrders(); long begin = DateUtils.parseDate("2022-11-01", "yyyy-MM-dd").getTime(); long end = DateUtils.parseDate("2022-12-01", "yyyy-MM-dd").getTime(); List<User> users = orders.stream() .filter(order -> order.getPayTime().getTime() >= begin && order.getPayTime().getTime() < end) .sorted(Comparator.comparing(Order::getGoodsAmount).reversed()) .limit(10) .map(order -> new User(order.getUserId(), order.getUserName())) .collect(Collectors.toList()); return users;}这段代码我没有加正文，但只有有过一点教训的程序员，都能很快明确它是在做啥，这是因为Stream API和SQL设计相似，应用的是更加靠近用意的申明式函数，看到函数名就大略明确含意了。
大略解释一下，如下：
stream()函数用于将汇合转换为Stream流对象。filter()函数过滤Stream流中的元素，传入的逻辑表达式则为过滤规定。sorted()函数排序Stream流中的元素，应用传入的Comparator比拟元素大小。limit()函数取前x个元素，传入参数指定取的元素个数。map()函数用于转换Stream中的元素为另一类型元素，能够类比于SQL从表中查问指定字段时，就如同是创立了一个蕴含这些字段的长期表一样。
Stream外面的函数大多很简略，就不逐个介绍了，如下：
| 函数 | 用处 | 类比SQL |
|---|---|---|
| map | 转换Stream中的元素为另一类型元素 | select x,y,z |
| filter | 过滤Stream中元素 | where |
| sorted | 排序Stream中元素 | order by |
| limit | 取前x个元素 | limit |
| distinct | 去重Stream中元素 | distinct |
| count | 计数 | count(*) |
| min | 计算最小值 | min(x) |
| max | 计算最大值 | max(x) |
| forEach | 生产Stream中的每个元素 | - |
| toArray | 转换为数组 | - |
| findFirst | 获取第1个元素 | - |
| findAny | 获取任一个元素，与findFirst区别是findAny可能是数据拆分后多线程解决的，返回值可能不稳固 | - |
| allMatch | Stream中元素全副匹配断定表达式 | - |
| anyMatch | Stream中元素任一匹配断定表达式 | - |
| noneMatch | Stream中元素全副不匹配断定表达式 | - |
| peek | 查看通过Stream的每个元素，但并不生产元素，个别用于调试目标 | - |
这些是Stream比拟根底的用法，上面看看一些更高级的用法吧！
reduce函数
能够看到Stream提供了min、max操作，但并没有提供sum、avg这样的操作，如果要实现sum、avg操作，就能够应用reduce(迭代)函数来实现，reduce函数有3个，如下：
上面以订单金额的sum汇总操作为示例，如下：
带初始值与累加器的reduce函数
T reduce(T identity, BinaryOperator<T> accumulator);汇总示例：
List<Order> orders = getOrders();BigDecimal sum = orders.stream() .map(Order::getGoodsAmount) .reduce(BigDecimal.ZERO, BigDecimal::add);其中，reduce函数的identity参数BigDecimal.ZERO相当于是初始值，而accumulator参数BigDecimal::add是一个累加器，将Stream中的金额一个个累加起来。
reduce函数的执行逻辑大抵如下：
无初始值的reduce函数
Optional<T> reduce(BinaryOperator<T> accumulator);汇总示例：
List<Order> orders = getOrders();BigDecimal sum = orders.stream() .map(Order::getGoodsAmount) .reduce(BigDecimal::add) .orElse(BigDecimal.ZERO);第2个reduce函数不传入初始值，只有累加器函数，返回Optional，因而当Stream中没有元素时，它返回的Optional没有值，这种状况我应用Optional.orElse函数给了一个默认值BigDecimal.ZERO。
带初始值、累加器、合并器的reduce函数
<U> U reduce(U identity, BiFunction<U, ? super T, U> accumulator, BinaryOperator<U> combiner);汇总示例：
List<Order> orders = getOrders();BigDecimal sum = orders.stream() .reduce(BigDecimal.ZERO, (s, o) -> s.add(o.getGoodsAmount()), BigDecimal::add);这个reduce函数的累加器和后面的不一样，后面的累加器的迭代元素与汇总后果都是BigDecimal，而这个累加器的迭代元素是Order类型，汇总后果是BigDecimal类型，它们能够不一样。
另外，这个reduce函数还提供了一个合并器，它是做什么用的？
其实合并器用于并行流场景，当应用多个线程解决数据时，数据拆分给多个线程后，每个线程应用累加器计算出本人的汇总值，而后应用合并器将各个线程的汇总值再次汇总，从而计算出最初后果，执行过程如下图：
应用reduce实现avg
reduce能够实现avg，但略微有点繁琐，如下：
@Dataprivate static class SumCount { private BigDecimal sum = BigDecimal.ZERO; private Integer count = 0; /** * 累加函数 * @param val * @return */ public SumCount accumulate(BigDecimal val) { this.sum = this.sum.add(val); this.count++; return this; } /** * 合并函数 * @param sumCount * @return */ public SumCount merge(SumCount sumCount) { SumCount sumCountNew = new SumCount(); sumCountNew.setSum(this.sum.add(sumCount.sum)); sumCountNew.setCount(this.count + sumCount.count); return sumCountNew; } public Optional<BigDecimal> calAvg(int scale, int roundingMode) { if (count == 0) { return Optional.empty(); } return Optional.of(this.sum.divide(BigDecimal.valueOf(count), scale, roundingMode)); }}List<Order> orders = getOrders();Optional<BigDecimal> avg = orders.stream() .map(Order::getGoodsAmount) .reduce(new SumCount(), SumCount::accumulate, SumCount::merge) .calAvg(2, BigDecimal.ROUND_HALF_UP);如上，因为avg是由汇总值除以数量计算出来的，所以须要定义一个SumCount类来记录汇总值与数量，并实现它的累加器与合并器函数即可。
能够发现，应用reduce函数实现avg性能，还是有点麻烦的，而且代码可读性不强，大脑须要绕一下才晓得是在求平均数，而collect函数就能够很不便的解决这个问题。
collect函数
Stream API提供了一个collect(收集)函数，用来解决一些比较复杂的应用场景，它传入一个收集器Collector用来收集流中的元素，并做特定的解决(如汇总)，Collector定义如下：
public interface Collector<T, A, R> { Supplier<A> supplier(); BiConsumer<A, T> accumulator(); BinaryOperator<A> combiner(); Function<A, R> finisher(); Set<Characteristics> characteristics();}其实，收集器与reduce是比拟相似的，只是比reduce更加灵便了，如下：
- supplier: 初始汇总值提供器，相似reduce中的identity，只是这个初始值是函数提供的。
- accumulator：累加器，将值累加到收集器中，相似reduce中的accumulator。
- combiner：合并器，用于并行流场景，相似reduce中的combiner。
- finisher：后果转换器，将汇总对象转换为最终的指定类型对象。
- characteristics：收集器特色标识，如是否反对并发等。
那用收集器实现相似下面的avg试试！
@Datapublic class AvgCollector implements Collector<BigDecimal, SumCount, Optional<BigDecimal>> { private int scale; private int roundingMode; public AvgCollector(int scale, int roundingMode) { this.scale = scale; this.roundingMode = roundingMode; } @Override public Supplier<SumCount> supplier() { return SumCount::new; } @Override public BiConsumer<SumCount, BigDecimal> accumulator() { return (sumCount, bigDecimal) -> { sumCount.setSum(sumCount.getSum().add(bigDecimal)); sumCount.setCount(sumCount.getCount() + 1); }; } @Override public BinaryOperator<SumCount> combiner() { return (sumCount, otherSumCount) -> { SumCount sumCountNew = new SumCount(); sumCountNew.setSum(sumCount.getSum().add(otherSumCount.getSum())); sumCountNew.setCount(sumCount.getCount() + otherSumCount.getCount()); return sumCountNew; }; } @Override public Function<SumCount, Optional<BigDecimal>> finisher() { return sumCount -> { if (sumCount.getCount() == 0) { return Optional.empty(); } return Optional.of(sumCount.getSum().divide( BigDecimal.valueOf(sumCount.getCount()), this.scale, this.roundingMode)); }; } @Override public Set<Characteristics> characteristics() { return Collections.unmodifiableSet(EnumSet.of(Collector.Characteristics.UNORDERED)); }}如上，实现一个AvgCollector收集器，而后将这个收集器传给collect函数即可。
List<Order> orders = getOrders();Optional<BigDecimal>> avg = orders.stream() .map(Order::getGoodsAmount) .collect(new AvgCollector(2, BigDecimal.ROUND_HALF_UP));整体执行过程如下：
能够发现，其实Collector相比reduce，就是把相干操作都封装到一个收集器外面去了，这样做的益处是，能够当时定义好一些Collector，而后应用方就能够间接拿来用了。
所以，Java也为咱们提供了一系列罕用场景的Collector，它们放在Collectors中，如下：
| 收集器 | 用处 |
|---|---|
Collectors.toList() | 将流中元素收集为List |
Collectors.toSet() | 将流中元素收集为Set |
Collectors.toMap() | 将流中元素收集为Map |
Collectors.toCollection() | 将流中元素收集为任意汇合 |
Collectors.mapping() | 元素类型转换 |
Collectors.counting() | 计数 |
Collectors.minBy() | 计算最小值 |
Collectors.maxBy() | 计算最大值 |
Collectors.summingXXX() | 求和 |
Collectors.averagingXXX() | 求平均数 |
Collectors.reducing() | 迭代操作 |
Collectors.groupingBy() | 分组汇总 |
Collectors.joining() | 拼接字符串 |
Collectors.collectingAndThen() | 收集后果后，对后果再执行一次类型转换 |
能够发现，Java曾经为咱们提供了大量的收集器实现，对于绝大多数场景，咱们并不需要本人去实现收集器啦！
以上函数就不一一介绍了，介绍几个典型例子，如下：
元素收集到TreeSet中
TreeSet<Order> orderSet = orders.stream() .collect(Collectors.toCollection(TreeSet::new));元素收集到Map中
List<Order> orders = getOrders();Map<Long, Order> orderMap = orders.stream() .collect(Collectors.toMap(Order::getOrderId, Function.identity()));如上，Order::getOrderId函数为Map提供Key值，Function.identity()函数定义如下：
它的作用是间接返回传给它的参数，你写成o -> o也是能够的，如果你想得到Map<order_id, goods_amount>这样的Map，那应该如下写：
List<Order> orders = getOrders();Map<Long, BigDecimal> amountMap = orders.stream() .collect(Collectors.toMap(Order::getOrderId, Order::getGoodsAmount));在晓得了怎么获取Key与Value后，Collectors.toMap()收集器就晓得怎么去生成Map了。
但toMap有一个容易疏忽的坑，就是默认状况下，如果List生成的Key值有反复，则会抛出异样，如果你不想抛异样，能够再传入一个抵触处理函数，如下：
List<Order> orders = getOrders();Map<Long, Order> orderMap = orders.stream() .collect(Collectors.toMap(Order::getOrderId, Function.identity(), (ov, v)->v));(ov, v)->v函数含意是，当新元素Key值抵触时，ov是map中的旧值，v是新值，返回v则代表应用新值，即前面元素笼罩后面元素的值。
实现分组汇总操作
比方咱们常常须要将List分组为Map<K, List<V>>的模式，能够应用groupingBy收集器，看groupingBy收集器的定义，如下：
它须要提供两个参数，第一个参数classifier指定分类的Key回调函数，第二个参数downstream指定上游收集器，即提供每个Key对应Value的聚合收集器。
看几个例子：
按省份分组汇总订单
Map<Integer, List<Order>> groupedOrderMap = orders.stream() .collect(Collectors.groupingBy(Order::getProvince, Collectors.toList()));其中Order::getProvince函数提供分类的Key值，Collectors.toList()提供分类后的Value聚合操作，将值聚合成List。
按省份分组汇总单量
相似如下SQL：
select province, count(*) from order group by province;java实现如下：
Map<Integer, Long> groupedCountMap = orders.stream() .collect(Collectors.groupingBy(Order::getProvince, Collectors.counting()));按省份分组汇总金额
相似如下SQL：
select province, sum(goods_amount) from order group by province;java实现如下：
Map<Integer, Optional<BigDecimal>> groupedAmountMap = orders.stream() .collect(Collectors.groupingBy(Order::getProvince, Collectors.mapping(Order::getGoodsAmount, Collectors.reducing(BigDecimal::add))));按省份分组汇总单号
相似如下SQL：
select province, group_concat(order_id) from order group by province;java实现如下：
Map<Integer, String> groupedOrderIdMap = orders.stream() .collect(Collectors.groupingBy(Order::getProvince, Collectors.mapping(order -> order.getOrderId().toString(), Collectors.joining(","))));按省、市汇总并计算单量、金额等
相似如下SQL：
select province, city, count(*), group_concat(order_id), group_concat(goods_amount), sum(goods_amount), min(goods_amount), max(goods_amount), avg(goods_amount) from order group by province, city;java实现如下：
@NoArgsConstructor@Dataclass ProvinceCityStatistics { private Integer province; private Integer city; private Long count; private String orderIds; private List<BigDecimal> amounts; private BigDecimal sum; private BigDecimal min; private BigDecimal max; private BigDecimal avg; public ProvinceCityStatistics(Order order){ this.province = order.getProvince(); this.city = order.getCity(); this.count = 1L; this.orderIds = String.valueOf(order.getOrderId()); this.amounts = new ArrayList<>(Collections.singletonList(order.getGoodsAmount())); this.sum = order.getGoodsAmount(); this.min = order.getGoodsAmount(); this.max = order.getGoodsAmount(); this.avg = order.getGoodsAmount(); } public ProvinceCityStatistics accumulate(ProvinceCityStatistics other) { this.count = this.count + other.count; this.orderIds = this.orderIds + "," + other.orderIds; this.amounts.addAll(other.amounts); this.sum = this.sum.add(other.sum); this.min = this.min.compareTo(other.min) <= 0 ? this.min : other.min; this.max = this.max.compareTo(other.max) >= 0 ? this.max : other.max; this.avg = this.sum.divide(BigDecimal.valueOf(this.count), 2, BigDecimal.ROUND_HALF_UP); return this; }}List<Order> orders = getOrders();Map<String, Optional<ProvinceCityStatistics>> groupedMap = orders.stream().collect( Collectors.groupingBy(order -> order.getProvince() + "," + order.getCity(), Collectors.mapping(order -> new ProvinceCityStatistics(order), Collectors.reducing(ProvinceCityStatistics::accumulate))));groupedMap.values().stream().map(Optional::get).forEach(provinceCityStatistics -> { Integer province = provinceCityStatistics.getProvince(); Integer city = provinceCityStatistics.getCity(); long count = provinceCityStatistics.getCount(); String orderIds = provinceCityStatistics.getOrderIds(); List<BigDecimal> amounts = provinceCityStatistics.getAmounts(); BigDecimal sum = provinceCityStatistics.getSum(); BigDecimal min = provinceCityStatistics.getMin(); BigDecimal max = provinceCityStatistics.getMax(); BigDecimal avg = provinceCityStatistics.getAvg(); System.out.printf("province:%d, city: %d -> count: %d, orderIds: %s, amounts: %s," + " sum: %s, min: %s, max: %s, avg : %s %n", province, city, count, orderIds, amounts, sum, min, max, avg);});执行后果如下：
能够发现，应用Collectors.reducing能够实现性能，但有点繁琐，且代码含意不显著，因而我封装了一个MultiCollector收集器，用来将多种收集器组合起来，实现这种简单场景，如下：
/** * 将多个收集器，组合成一个收集器 * 汇总后果保留在Map<String, Object>中，最终后果转换成R类型返回 * * @param <T> */public class MultiCollector<T, R> implements Collector<T, Map<String, Object>, R> { private Class<R> clazz; private Map<String, Collector<T, ?, ?>> collectorMap; public MultiCollector(Class<R> clazz, Map<String, Collector<T, ?, ?>> collectorMap) { this.clazz = clazz; this.collectorMap = collectorMap; } @Override public Supplier<Map<String, Object>> supplier() { Map<String, Supplier<?>> supplierMap = new HashMap<>(); collectorMap.forEach((fieldName, collector) -> supplierMap.put(fieldName, collector.supplier())); return () -> { Map<String, Object> map = new HashMap<>(); supplierMap.forEach((fieldName, supplier) -> { map.put(fieldName, supplier.get()); }); return map; }; } @Override @SuppressWarnings("all") public BiConsumer<Map<String, Object>, T> accumulator() { Map<String, BiConsumer<?, T>> accumulatorMap = new HashMap<>(); collectorMap.forEach((fieldName, collector) -> accumulatorMap.put(fieldName, collector.accumulator())); return (map, order) -> { accumulatorMap.forEach((fieldName, accumulator) -> { ((BiConsumer)accumulator).accept(map.get(fieldName), order); }); }; } @Override @SuppressWarnings("all") public BinaryOperator<Map<String, Object>> combiner() { Map<String, BinaryOperator<?>> combinerMap = new HashMap<>(); collectorMap.forEach((fieldName, collector) -> combinerMap.put(fieldName, collector.combiner())); return (map, otherMap) -> { combinerMap.forEach((fieldName, combiner) -> { map.put(fieldName, ((BinaryOperator)combiner).apply(map.get(fieldName), otherMap.get(fieldName))); }); return map; }; } @Override @SuppressWarnings("all") public Function<Map<String, Object>, R> finisher() { Map<String, Function<?, ?>> finisherMap = new HashMap<>(); collectorMap.forEach((fieldName, collector) -> finisherMap.put(fieldName, collector.finisher())); // 将Map<String, Object>反射转换成指定类对象，这里用json反序列化也能够 return map -> { R result = newInstance(clazz); finisherMap.forEach((fieldName, finisher) -> { Object value = ((Function)finisher).apply(map.get(fieldName)); setFieldValue(result, fieldName, value); }); return result; }; } @Override public Set<Characteristics> characteristics() { return Collections.emptySet(); } private static <R> R newInstance(Class<R> clazz){ try { return clazz.newInstance(); } catch (ReflectiveOperationException e) { return ExceptionUtils.rethrow(e); } } @SuppressWarnings("all") private static void setFieldValue(Object obj, String fieldName, Object value){ if (obj instanceof Map){ ((Map)obj).put(fieldName, value); } else { try { new PropertyDescriptor(fieldName, obj.getClass()).getWriteMethod().invoke(obj, value); } catch (Exception e) { ExceptionUtils.rethrow(e); } } }}而后封装一些语义更加明确的通用Collector办法，如下：
public class CollectorUtils { /** * 取第一个元素，相似Stream.findFirst，返回Optional<U> * @param mapper 获取字段值的函数 * @return */ public static <T,U> Collector<T, ?, Optional<U>> findFirst(Function<T, U> mapper){ return Collectors.mapping(mapper, Collectors.reducing((u1, u2) -> u1)); } /** * 取第一个元素，相似Stream.findFirst，返回U，可能是null * @param mapper 获取字段值的函数 * @return */ public static <T,U> Collector<T, ?, U> findFirstNullable(Function<T, U> mapper){ return Collectors.mapping(mapper, Collectors.collectingAndThen( Collectors.reducing((u1, u2) -> u1), opt -> opt.orElse(null))); } /** * 收集指定字段值为List * @param mapper 获取字段值的函数 * @return */ public static <T,U> Collector<T, ?, List<U>> toList(Function<T, U> mapper){ return Collectors.mapping(mapper, Collectors.toList()); } /** * 收集指定字段为逗号分隔的字符串 * @param mapper 获取字段值的函数 * @return */ public static <T, U> Collector<T, ?, String> joining(Function<T, U> mapper, CharSequence delimiter){ return Collectors.mapping(mapper.andThen(o -> Objects.toString(o, "")), Collectors.joining(delimiter)); } /** * 对BigDecimal求和，返回Optional<BigDecimal>类型汇总值 * @param mapper 获取字段值的函数 * @return */ public static <T> Collector<T, ?, Optional<BigDecimal>> summingBigDecimal(Function<T, BigDecimal> mapper){ return Collectors.mapping(mapper, Collectors.reducing(BigDecimal::add)); } /** * 对BigDecimal求和，返回BigDecimal类型汇总值，可能是null * @param mapper 获取字段值的函数 * @return */ public static <T> Collector<T, ?, BigDecimal> summingBigDecimalNullable(Function<T, BigDecimal> mapper){ return Collectors.mapping(mapper, Collectors.collectingAndThen( Collectors.reducing(BigDecimal::add), opt -> opt.orElse(null))); } /** * 对BigDecimal求平均值，返回Optional<BigDecimal>类型平均值 * @param mapper 获取字段值的函数 * @return */ public static <T> Collector<T, ?, Optional<BigDecimal>> averagingBigDecimal(Function<T, BigDecimal> mapper, int scale, int roundingMode){ return Collectors.mapping(mapper, new AvgCollector(scale, roundingMode)); } /** * 对BigDecimal求平均值，返回BigDecimal类型平均值，可能是null * @param mapper 获取字段值的函数 * @return */ public static <T> Collector<T, ?, BigDecimal> averagingBigDecimalNullable(Function<T, BigDecimal> mapper, int scale, int roundingMode){ return Collectors.mapping(mapper, Collectors.collectingAndThen( new AvgCollector(scale, roundingMode), opt -> opt.orElse(null))); } /** * 求最小值，返回最小值Optional<U> * @param mapper 获取字段值的函数 * @return */ public static <T,U extends Comparable<? super U>> Collector<T, ?, Optional<U>> minBy(Function<T, U> mapper){ return Collectors.mapping(mapper, Collectors.minBy(Comparator.comparing(Function.identity()))); } /** * 求最小值，返回最小值U，可能是null * @param mapper 获取字段值的函数 * @return */ public static <T,U extends Comparable<? super U>> Collector<T, ?, U> minByNullable(Function<T, U> mapper){ return Collectors.collectingAndThen( Collectors.mapping(mapper, Collectors.minBy(Comparator.comparing(Function.identity()))), opt -> opt.orElse(null)); } /** * 求最大值，返回最大值Optional<U> * @param mapper 获取字段值的函数 * @return */ public static <T,U extends Comparable<? super U>> Collector<T, ?, Optional<U>> maxBy(Function<T, U> mapper){ return Collectors.mapping(mapper, Collectors.maxBy(Comparator.comparing(Function.identity()))); } /** * 求最大值，返回最大值U，可能是null * @param mapper 获取字段值的函数 * @return */ public static <T,U extends Comparable<? super U>> Collector<T, ?, U> maxByNullable(Function<T, U> mapper){ return Collectors.collectingAndThen( Collectors.mapping(mapper, Collectors.maxBy(Comparator.comparing(Function.identity()))), opt -> opt.orElse(null)); }}CollectorUtils中封装的各Collector用处如下：
| 办法 | 用处 |
|---|---|
findFirst(mapper) | 获取第一个值，相似Stream.findFirst，返回Optional |
findFirstlNullable(mapper) | 获取第一个值，相似Stream.findFirst，返回值可能是null |
toList(mapper) | 用于实现对指定字段收集为List |
joining(mapper) | 实现相似group_concat(order_id)的性能 |
summingBigDecimal(mapper) | 用于对BigDecimal做汇总解决，返回Optional<BigDecimal> |
summingBigDecimalNullable(mapper) | 用于对BigDecimal做汇总解决，返回BigDecimal |
averagingBigDecimal(mapper) | 实现对BigDecimal求平均数，返回Optional<BigDecimal> |
averagingBigDecimal(mapper) | 实现对BigDecimal求平均数，返回BigDecimal |
minBy(mapper) | 实现求最小值，返回Optional<BigDecimal> |
minByNullable(mapper) | 实现求最小值，返回BigDecimal |
maxBy(mapper) | 实现求最大值，返回Optional<BigDecimal> |
maxByNullable(mapper) | 实现求最大值，返回BigDecimal |
而后联合MultiCollector收集器与CollectorUtils中的各种Collector，就能够实现各种简单的分组汇总逻辑了，如下：
@NoArgsConstructor@Dataclass ProvinceCityStatistics { private Integer province; private Integer city; private Long count; private String orderIds; private List<BigDecimal> amounts; private BigDecimal sum; private BigDecimal min; private BigDecimal max; private BigDecimal avg;}List<Order> orders = getOrders();Map<String, ProvinceCityStatistics> groupedMap = orders.stream().collect( Collectors.groupingBy(order -> order.getProvince() + "," + order.getCity(), new MultiCollector<>( ProvinceCityStatistics.class, //指定ProvinceCityStatistics各字段对应的收集器 MapBuilder.<String, Collector<Order, ?, ?>>create() .put("province", CollectorUtils.findFirstNullable(Order::getProvince)) .put("city", CollectorUtils.findFirstNullable(Order::getCity)) .put("count", Collectors.counting()) .put("orderIds", CollectorUtils.joining(Order::getOrderId, ",")) .put("amounts", CollectorUtils.toList(Order::getGoodsAmount)) .put("sum", CollectorUtils.summingBigDecimalNullable(Order::getGoodsAmount)) .put("min", CollectorUtils.minByNullable(Order::getGoodsAmount)) .put("max", CollectorUtils.maxByNullable(Order::getGoodsAmount)) .put("avg", CollectorUtils.averagingBigDecimalNullable(Order::getGoodsAmount, 2, BigDecimal.ROUND_HALF_UP)) .build() ) ));groupedMap.forEach((key, provinceCityStatistics) -> { Integer province = provinceCityStatistics.getProvince(); Integer city = provinceCityStatistics.getCity(); long count = provinceCityStatistics.getCount(); String orderIds = provinceCityStatistics.getOrderIds(); List<BigDecimal> amounts = provinceCityStatistics.getAmounts(); BigDecimal sum = provinceCityStatistics.getSum(); BigDecimal min = provinceCityStatistics.getMin(); BigDecimal max = provinceCityStatistics.getMax(); BigDecimal avg = provinceCityStatistics.getAvg(); System.out.printf("province:%d, city: %d -> count: %d, orderIds: %s, amounts: %s," + " sum: %s, min: %s, max: %s, avg : %s %n", province, city, count, orderIds, amounts, sum, min, max, avg);});执行后果如下：
我想如果搞懂了这个，Collector API简直就全玩明确了
总结
Stream API十分实用，它的设计相似于SQL，相比于间接遍历解决汇合的实现代码，用它来实现的可读性会更强。
当然，好用也不要滥用，API应用场景应该与其具体用意绝对应，比方不要在filter外面去写非过滤逻辑的代码，尽管代码可能跑起来没问题，但这会误导读者，反而起到负面作用。