修炼内功Java8-Stream是怎么工作的

Java8 中新增的 Stream，相信使用过的同学都已经感受到了它的便利，允许你以声明性的方式处理集合，而不用去做繁琐的 for-loop/while-loop，并且可以以极低的成本并行地处理集合数据

如果需要从菜单中筛选出卡路里在 400 以下的菜品，并按卡路里排序后，输出菜品名称

在 java8 之前，需要进行两次显示迭代，并且还需要借助中间结果存储

List<Menu> lowCaloricDishes = new LinkedList<>();

// 按照热量值进行筛选
for(Dish dish : dishes) {if (dish.getCalories() < 400) {lowCaloricDishes.add(dish);
  }
}

// 按照热量进行排序
lowCaloricDishes.sort(new Comparator<Dish>() {
  @Override
  public int compare(Dish d1, Dish d2) {return d1.getCalories().compareTo(d2.getCalories);
  }
})

// 提取名称
List<String> lowCaloricDishesName = new LinkedList<>();
for(Dish dish : lowCaloricDishes) {lowCaloricDishesName.add(dish.getName());
}

如果使用 Stream API，只需要

List<String> lowCaloricDishesName = 
    dishes.parallelStream() // 开启并行处理
          .filter(d -> d.getCalories() < 400) // 按照热量值进行筛选
          .sorted(Comparator.comparing(Dish::getCalories)) // 按照热量进行排序
          .map(Dish::getName) // 提取名称
          .collect(Collectors.toList()); // 将结果存入 List

甚至，可以写出更复杂的功能

Map<Integer, List<String>> lowCaloricDishesNameGroup = 
    dishes.parallelStream() // 开启并行处理
          .filter(d -> d.getCalories() < 400) // 按照热量值进行筛选
          .sorted(comparing(Dish::getCalories)) // 按照热量进行排序
          .collect(Collectors.groupingBy( // 将菜品名按照热量进行分组
              Dish::getCalories, 
              Collectors.mapping(Dish::getName, Collectors.toList())
          ));

是不是非常简洁，并且越发形似 SQL
如此简洁的 API 是如何实现的？中间过程是如何衔接起来的？每一步都会进行一次迭代么，需要中间结果存储么？并行处理是怎么做到的？

什么是 Stream？

Stream 使用一种类似 SQL 语句的方式，提供对集合运算的高阶抽象，可以将其处理的元素集合看做一种数据流，流在管道中传输，数据在管道节点上进行处理，比如筛选、排序、聚合等

数据流在管道中经过中间操作 (intermediate operation) 处理，由终止操作 (terminal operation) 得到前面处理的结果
和以往的集合操作不同，Stream 操作有两个基础特征：

• pipelining：中间操作 会返回流对象，多个操作最终串联成一个管道，管道并不直接操作数据，最终由 终止操作 触发数据在管道中的流动及处理，并收集最终的结果

  Stream 的实现使用流水线（pipelining）的方式巧妙的避免了多次迭代，其基本思想是在 一次迭代 中尽可能多的执行用户指定的操作

• 内部迭代：区别于以往使用 iterator 或者 for-each 等显示地在集合外部进行迭代计算的方式，内部迭代隐式的在集合内部进行迭代计算

Stream 操作分为两类：中间操作 及终止操作

• 中间操作：将流一层层的进行处理，并向下一层进行传递，如 filter map sorted等

  中间操作又分为有状态 (stateful) 及无状态(stateless)

  • 有状态：必须等上一步操作完拿到全部元素后才可操作，如sorted
  • 无状态：该操作的数据不收上一步操作的影响，如filter map

• 终止操作：触发数据的流动，并收集结果，如 collect findFirst forEach 等

  终止操作又分为短路操作 (short-circuiting) 及非短路操作(non-short-circuiting)

  • 短路操作：会在适当的时刻终止遍历，类似于 break，如 anyMatch findFirst 等
  • 非短路操作：会遍历所有元素，如 collect max 等

Stream 采用某种方式记录用户每一步的操作，当用户调用终止操作时将之前记录的操作叠加到一起，尽可能地在一次迭代中全部执行掉，那么

1. 用户的操作如何记录？
2. 操作如何叠加？
3. 叠加后的操作如何执行？
4. 执行后的结果（如果有）在哪里？

Stream 如何实现

操作如何记录

Stream 中使用 Stage 的概念来描述一个完整的操作，并用某种实例化后的 PipelineHelper 来代表 Stage，将各 Pipeline 按照先后顺序连接到一起，就构成了整个流水线

与 Stream 相关类和接口的继承关系如下图

Head 用于表示第一个 Stage，该 Stage 不包含任何操作
StatelessOp 和 StatefulOp 分别表示无状态和有状态的 Stage

使用 Collection.stream Arrays.stream 或Stream.of等接口会生成 Head，其内部均采用StreamSupport.stream 方法，将原始数据包装为 Spliterator 存放在 Stage 中

• Head 记录 Stream 起始操作，将包装为 Spliterator 的原始数据存放在 Stage 中
• StatelessOp 记录无状态的中间操作
• StatefulOp 记录有状态的中间操作
• TerminalOp 用于触发数据数据在各 Stage 间的流动及处理，并收集最终数据(如果有)

Head StatelessOp StatefulOp 三个操作实例化会指向其父类 AbstractPipeline

对于 Head

/**
 * Constructor for the head of a stream pipeline.
 *
 * @param source {@code Spliterator} describing the stream source
 * @param sourceFlags the source flags for the stream source, described in
 * {@link StreamOpFlag}
 * @param parallel {@code true} if the pipeline is parallel
 */
AbstractPipeline(Spliterator<?> source, int sourceFlags, boolean parallel) {
    this.previousStage = null;
    this.sourceSpliterator = source;
    this.sourceStage = this;
    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;
    this.parallel = parallel;
}

其会将包装为 Spliterator 的原始数据存放在 Stage 中，并将自身存放在 sourceStage 中

对于 StatelessOp 及 StatefulOp

/**
 * Constructor for appending an intermediate operation stage onto an
 * existing pipeline.
 *
 * @param previousStage the upstream pipeline stage
 * @param opFlags the operation flags for the new stage, described in
 * {@link StreamOpFlag}
 */
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;
}

每一个 Stage 都会存放原始的 sourceStage，即 Head

通过 previousStage 及 nextStage，将各 Stage 串联为一个双向链表，使得每一步都知道上一步与下一步的操作

操作如何叠加

以上已经解决了如何记录操作的问题，想要让 pipeline 运行起来，需要一种将所有操作叠加到一起的方案

由于前面的 Stage 并不知道后面的 Stage 导致需要执行何种操作，只有当前 Stage 本身知道该如何执行自己包含的动作，这就需要某种协议来协调相邻 Stage 之间的调用关系

Stream 类库采用了 Sink 接口来协调各 Stage 之间的关系

interface Sink<T> extends Consumer<T> {
    /**
     * Resets the sink state to receive a fresh data set.  This must be called
     * before sending any data to the sink.  After calling {@link #end()},
     * you may call this method to reset the sink for another calculation.
     * @param size The exact size of the data to be pushed downstream, if
     * known or {@code -1} if unknown or infinite.
     *
     * <p>Prior to this call, the sink must be in the initial state, and after
     * this call it is in the active state.
     *
     * 开始遍历前调用，通知 Sink 做好准备
     */
    default void begin(long size) {}

    /**
     * Indicates that all elements have been pushed.  If the {@code Sink} is
     * stateful, it should send any stored state downstream at this time, and
     * should clear any accumulated state (and associated resources).
     *
     * <p>Prior to this call, the sink must be in the active state, and after
     * this call it is returned to the initial state.
     *
     * 所有元素遍历完成后调用，通知 Sink 没有更多元素了
     */
    default void end() {}
    
    /**
     * Indicates that this {@code Sink} does not wish to receive any more data.
     *
     * @implSpec The default implementation always returns false.
     *
     * @return true if cancellation is requested
     *
     * 是否可以结束操作，可以让短路操作尽早结束
     */
    default boolean cancellationRequested() {}

    /**
     * Accepts a value.
     *
     * @implSpec The default implementation throws IllegalStateException.
     *
     * @throws IllegalStateException if this sink does not accept values
     *
     * 遍历时调用，接收的一个待处理元素，并对元素进行处理
     * Stage 把自己包含的操作和回调方法封装到该方法里，前一个 Stage 只需要调用当前 Stage.accept 方法即可
     */
    default void accept(T value) {}}

Sink 的四个接口方法常常相互协作，共同完成计算任务

实际上 Stream API 内部实现的的本质，就是如何重载 Sink 的这四个接口方法，下面结合具体源码来理解 Stage 是如何将自身的操作包装秤 Sink，以及 Sink 是如何将处理结果转发给下一个 Sink 的

无状态 Stage，Stream.map

// Stream.map 将生成一个新 Stream
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) {// 该方法将回调函数 (处理逻辑) 包装成 Sink
        @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) {
                    // 接收数据，使用当前包装的回调函数处理数据，并传递给下游 Sink
                    downstream.accept(mapper.apply(u));
                }
            };
        }
    };
}

上述代码逻辑非常简单，接下来可以看一下有状态 Stage，Stream.sorted

private static final class RefSortingSink<T> extends AbstractRefSortingSink<T> {
    // 存放用于排序的元素
    private ArrayList<T> list;

    RefSortingSink(Sink<? super T> sink, Comparator<? super T> comparator) {super(sink, comparator);
    }

    @Override
    public void begin(long size) {if (size >= Nodes.MAX_ARRAY_SIZE)
            throw new IllegalArgumentException(Nodes.BAD_SIZE);
        // 创建用于存放排序元素的列表
        list = (size >= 0) ? new ArrayList<T>((int) size) : new ArrayList<T>();}

    @Override
    public void end() {
        // 只有在接收到所有元素后才开始排序
        list.sort(comparator);
        downstream.begin(list.size());
        // 排序完成后，将数据传递给下游 Sink
        if (!cancellationWasRequested) {
            // 下游 Sink 不包含短路操作，将数据依次传递给下游 Sink
            list.forEach(downstream::accept);
        }
        else {
            // 下游 Sink 包含短路操作
            for (T t : list) {
                // 对于每一个元素，都要询问是否可以结束处理
                if (downstream.cancellationRequested()) break;
                // 将元素传递给下游 Sink
                downstream.accept(t);
            }
        }
        // 告知下游 Sink 数据传递完毕
        downstream.end();
        list = null;
    }

    @Override
    public void accept(T t) {
        // 依次将需要排序的元素加入到临时列表中
        list.add(t);
    }
}

Stream.sorted 会在接收到所有元素之后再进行排序，在此之后才开始将数据依次传递给下游 Sink

叠加后的操作如何执行

Sink 就如齿轮，每一步的操作逻辑是封装在 Sink 中的，那各 Sink 是如何串联咬合在一起的，首个 Sink 又是如何启动来触发整个 pipeline 执行的？
结束操作 (TerminalOp) 之后不能再有别的操作，结束操作会创建一个包装了自己操作的 Sink，这个 Sink 只处理数据而不会将数据传递到下游 Sink

TerminalOp 的类图非常简单

FindOp: 用于查找，如findFirst，findAny，生成FindSink
ReduceOp: 用于规约，如reduce collect，生成ReduceSink
MatchOp: 用于匹配，如allMatch anyMatch，生成MatchSink
ForEachOp: 用于遍历，如forEach，生成ForEachSink

在调用 Stream 的终止操作时，会执行AbstractPipeline.evaluate

/**
 * Evaluate the pipeline with a terminal operation to produce a result.
 *
 * @param <R> the type of result
 * @param terminalOp the terminal operation to be applied to the pipeline.
 * @return the result
 */
final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp /* 各种终止操作 */) {assert getOutputShape() == terminalOp.inputShape();
    if (linkedOrConsumed)
        throw new IllegalStateException(MSG_STREAM_LINKED);
    linkedOrConsumed = true;

    return isParallel()
           ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags())) /* 并发执行 */
           : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags())); /* 串行执行 */
}

最终会根据是否并行执行 TerminalOp 中不同的的 evaluate 方法，在 TerminalOp 的 evaluate 方法中会调用 helper.wrapAndCopyInto(sinkSupplier.get(), spliterator).get() 来串联各层 Sink，触发 pipeline，并获取最终结果，那 TerminalOp 到底是如何串联各层 Sink 的？

final <P_IN, S extends Sink<E_OUT>> S wrapAndCopyInto(S sink /* TerminalSink */, Spliterator<P_IN> spliterator) {copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);
    return sink;
}

其中玄机尽在warpSink

final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {Objects.requireNonNull(sink);

    // AbstractPipeline.this，最后一层 Stage
    for (@SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
        // 从下游向上游遍历，不断包装 Sink
        sink = p.opWrapSink(p.previousStage.combinedFlags, sink /* 下一层 Stage 的 Sink */);
    }
    return (Sink<P_IN>) sink;
}

还记得 opWrapSink 么？它会返回一个新的 Sink，实现 begin end accept 等方法，当前 Stage 的处理逻辑封装在其中，并将处理后的结果传递给下游的 Sink
这样，便将从开始到结束的所有操作都包装到了一个 Sink 里，执行这个 Sink 就相当于执行首个 Sink，并带动所有下游的 Sink，使整个 pipeline 运行起来

有了包含所有操作的 Sink，如何执行 Sink 呢？wrapAndCopyInto中还有一个 copyInto 方法

final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {Objects.requireNonNull(wrappedSink);

    if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
        // 不包含短路操作
        
        // 1. begin
        wrappedSink.begin(spliterator.getExactSizeIfKnown());
        // 2. 遍历调用 sink.accept
        spliterator.forEachRemaining(wrappedSink);
        // 3. end
        wrappedSink.end();}
    else {
        // 包含短路操作
        copyIntoWithCancel(wrappedSink, spliterator);
    }
}

final <P_IN> void copyIntoWithCancel(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {@SuppressWarnings({"rawtypes","unchecked"})
    AbstractPipeline p = AbstractPipeline.this;
    while (p.depth > 0) {p = p.previousStage;}
    // 1. begin
    wrappedSink.begin(spliterator.getExactSizeIfKnown());
    // 2. 遍历调用 sink.accept
    //    每一次遍历都询问 cancellationRequested 结果
    //    如果 cancellationRequested 为 true，则中断遍历
    p.forEachWithCancel(spliterator, wrappedSink);
    // 3. end
    wrappedSink.end();}

copyInto会根据不同的情况依次

1. 调用sink.bigin
2. 遍历调用sink.accept

   如果包含短路操作，则每次遍历都需要询问 cancellationRequested，适时中断遍历

3. 调用sink.end

执行后的结果在哪里

各层 Stage 通过 Sink 协议将所有的操作串联到一起，遍历原始数据并执行，终止操作会创建一个包装了自己操作的 TerminalSink，该 Sink 中处理最终的数据并做数据收集（如果需要），每一种 TerminalSink 中均会提供一个获取最终数据的方法

TerminalOp 通过调用 TerminalSink 中的对应方法，获取最终的数据并返回，如 ReduceOp 中

@Override
public <P_IN> R evaluateSequential(PipelineHelper<T> helper,
                                   Spliterator<P_IN> spliterator) {return helper.wrapAndCopyInto(makeSink(), spliterator)/* 执行各 Sink */.get()/* 获取最终数据 */;}

并发是如何做到的

使用 Collection.parallelStream 或Stream.parallel等方法可以将当前的流 标记 为并发，重新来看AbstractPipeline.evaluate，该方法会在终止操作时被执行

/**
 * Evaluate the pipeline with a terminal operation to produce a result.
 *
 * @param <R> the type of result
 * @param terminalOp the terminal operation to be applied to the pipeline.
 * @return the result
 */
final <R> R evaluate(TerminalOp<E_OUT, R> terminalOp /* 各种终止操作 */) {assert getOutputShape() == terminalOp.inputShape();
    if (linkedOrConsumed)
        throw new IllegalStateException(MSG_STREAM_LINKED);
    linkedOrConsumed = true;

    return isParallel()
           ? terminalOp.evaluateParallel(this, sourceSpliterator(terminalOp.getOpFlags())) /* 并发执行 */
           : terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags())); /* 串行执行 */
}

如果被标记为 sequential，则会调用TerminalOp.evaluateSequential，evaluateSequential 的调用过程上文已经讲述的很清楚
如果被标记为 parallel，则会调用TerminalOp.evaluateParallel，对于该方法不同的 TerminalOp 会有不同的实现，但都使用了 ForkJoin 框架，将原始数据不断拆分为更小的单元，对每一个单元做上述evaluateSequential 类似的动作，最后将每一个单元计算的结果依次整合，得到最终结果

默认情况下，ForkJoin 的线程数即为机器的 CPU 核数，如果想自定义 Stream 并行执行的线程数，可以参考 Custom Thread Pools In Java 8 Parallel Streams

在将原始数据进行拆分的时候，拆分的策略是什么？拆分的粒度又是什么(拆分到什么程度)？

还记得上文所说，原始数据是如何存放的么？Spliterator(可分迭代器 splitable iterator)，无论使用何种 API，均会将原始数据封装为 Spliterator 后存放在 Stage 中，在进行 parallel 计算时，对原始数据的拆分以及拆分粒度都是基于 Spliterator 的，和 Iterator 一样，Spliterator 也用于遍历数据源中的数据，但它是专门为并行执行而设计的

public interface Spliterator<T> {
    /**
     * 如果还有元素需要遍历，则遍历该元素并执行 action，返回 true，否则返回 false
     */
    boolean tryAdvance(Consumer<? super T> action);
    
    /**
     * 如果可以，则将一部分元素划分出去，构造另一个 Spliterator，使得两个 Spliterator 可以并行处理
     */
    Spliterator<T> trySplit();
    
    /**
     * 估算还有多少元素需要遍历
     */
    long estimateSize();
    
    /**
     * 遍历所有未遍历的元素
     */
    default void forEachRemaining(Consumer<? super T> action) {do {} while (tryAdvance(action));
    }
}

动图如下

在使用 Stream parallel 时，如果默认 Spliterator 的拆分逻辑不能满足你的需求，便可以自定义 Spliterator，具体示例可以参考《Java 8 in Action》中『7.3.2 实现你自己的 Spliterator』

结语

1. Head会生成一个不包含任何操作的 Stage，并将原始数据 Spliterator 存放在 sourceStage 中
2. 中间操作 StagelessOp StagefulOp 将当前操作封装在 Sink 中，生成一个新的 Stage，并使用双链表结构将前后的 Stage 链接在一起，Sink 用于调用当前指定的操作处理数据，并将处理后的结果传递给下游 Sink
3. 终止操作 TerminalOp 生成一个 TerminalSink，从下游向上游遍历 Stage，不断包装各 Stage 中的 Sink，最终生成一个串联了所有操作的 TerminalSink，适时调用该 Sink 的begin accept end 等方法，触发整个 pipeline 的数据流动及处理，最终调用 TerminalSink 的 get 方法，获取最终结果(如果有)
4. 被标记为 parallel 的流，会使用 ForkJoin 框架，将原始流拆分为更小的单元，对每一个单元分别作计算，并将各单元的计算结果进行整合，得到最终结果

---

JavaLambdaInternals – 6-Stream Pipelines)
java8 实战：Stream 执行原理