Java 8 Stream API 实战指南，告别繁琐循环

神经蛙2025-07-122025-07-12

Java 8 引入的 Stream API 是 Java 函数式编程的核心利器。配合 Lambda 表达式，可以用声明式的方式处理集合数据，代码更简洁、更易读，还能轻松实现并行计算。本文从入门到实战，带你全面掌握 Stream。

一、Stream 是什么

1.1 概念

Stream（流）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。

特点：

Stream 自己不存储元素，只是对数据进行计算
Stream 操作不会改变源数据，每次操作返回新的 Stream
操作是延迟执行的，只有触发终止操作时才会真正执行
流只能被消费一次，遍历完就用完了

1.2 操作分类

Stream 操作
├── 中间操作（Intermediate）—— 返回新 Stream，延迟执行
│   ├── 无状态：filter、map、flatMap、peek
│   └── 有状态：distinct、sorted、limit、skip
└── 终止操作（Terminal）—— 触发计算，返回最终结果
    ├── 非短路：forEach、collect、reduce、count
    └── 短路：anyMatch、allMatch、findFirst、findAny

二、创建 Stream 的四种方式

2.1 通过集合创建（最常用）

List<String> list = Arrays.asList("a", "b", "c");

// 顺序流
Stream<String> stream = list.stream();

// 并行流
Stream<String> parallelStream = list.parallelStream();

2.2 通过数组创建

String[] array = {"apple", "banana", "cherry"};
Stream<String> stream = Arrays.stream(array);

// 指定范围
Stream<String> partStream = Arrays.stream(array, 0, 2);

2.3 通过 Stream.of

1	Stream<Integer> stream = Stream.of(1, 2, 3, 4, 5);

2.4 创建无限流

// 迭代：从0开始，每次+2
Stream<Integer> iterate = Stream.iterate(0, x -> x + 2);

// 生成：随机数
Stream<Double> generate = Stream.generate(Math::random);

三、中间操作

3.1 filter — 过滤

筛选符合条件的元素：

List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);

// 筛选偶数
List<Integer> evens = list.stream()
    .filter(n -> n % 2 == 0)
    .collect(Collectors.toList());
// 结果：[2, 4, 6, 8, 10]

3.2 map — 映射转换

将元素转换为另一种形式：

List<String> names = Arrays.asList("zhangsan", "lisi", "wangwu");

// 转大写
List<String> upperNames = names.stream()
    .map(String::toUpperCase)
    .collect(Collectors.toList());
// 结果：[ZHANGSAN, LISI, WANGWU]

// 获取字符串长度
List<Integer> lengths = names.stream()
    .map(String::length)
    .collect(Collectors.toList());
// 结果：[8, 4, 6]

3.3 flatMap — 扁平化映射

将流中每个元素都换成另一个流，然后把所有流合成一个流：

List<String> words = Arrays.asList("hello", "world");

// 拆分字符（map 会得到 Stream<Stream<String>>）
List<Stream<String>> result1 = words.stream()
    .map(word -> word.split(""))
    .map(Arrays::stream)
    .collect(Collectors.toList());

// flatMap 扁平化（得到 Stream<String>）
List<String> result2 = words.stream()
    .map(word -> word.split(""))
    .flatMap(Arrays::stream)
    .collect(Collectors.toList());
// 结果：[h, e, l, l, o, w, o, r, l, d]

3.4 distinct — 去重

List<Integer> list = Arrays.asList(1, 2, 2, 3, 3, 3, 4);

List<Integer> unique = list.stream()
    .distinct()
    .collect(Collectors.toList());
// 结果：[1, 2, 3, 4]

3.5 sorted — 排序

List<Integer> list = Arrays.asList(3, 1, 4, 1, 5, 9, 2, 6);

// 自然排序
List<Integer> sorted1 = list.stream()
    .sorted()
    .collect(Collectors.toList());

// 自定义排序（倒序）
List<Integer> sorted2 = list.stream()
    .sorted(Comparator.reverseOrder())
    .collect(Collectors.toList());

// 对象按字段排序
List<Employee> sortedEmp = employees.stream()
    .sorted(Comparator.comparing(Employee::getAge))
    .collect(Collectors.toList());

3.6 limit & skip — 截断与跳过

List<Integer> list = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9, 10);

// 取前3个
List<Integer> limit = list.stream()
    .limit(3)
    .collect(Collectors.toList());
// [1, 2, 3]

// 跳过前5个
List<Integer> skip = list.stream()
    .skip(5)
    .collect(Collectors.toList());
// [6, 7, 8, 9, 10]

// 分页：第2页，每页3条
List<Integer> page = list.stream()
    .skip(3)
    .limit(3)
    .collect(Collectors.toList());
// [4, 5, 6]

3.7 peek — 调试用

和 forEach 类似，但属于中间操作，常用于调试：

List<Integer> result = Stream.of(1, 2, 3)
    .peek(n -> System.out.println("原数据: " + n))
    .map(n -> n * 2)
    .peek(n -> System.out.println("翻倍后: " + n))
    .collect(Collectors.toList());

四、终止操作

4.1 forEach — 遍历

1	list.stream().forEach(System.out::println);

4.2 count — 计数

1	long count = list.stream().count();

4.3 max / min — 最值

// 最大值
Optional<Integer> max = list.stream().max(Integer::compareTo);

// 员工中年龄最大的
Optional<Employee> oldest = employees.stream()
    .max(Comparator.comparing(Employee::getAge));

4.4 findFirst / findAny — 查找

// 找第一个
Optional<Integer> first = list.stream().findFirst();

// 找任意一个（并行流中效率更高）
Optional<Integer> any = list.parallelStream().findAny();

4.5 匹配操作

// 是否全部满足
boolean allEven = list.stream().allMatch(n -> n % 2 == 0);

// 是否有一个满足
boolean hasEven = list.stream().anyMatch(n -> n % 2 == 0);

// 是否全部不满足
boolean noneNegative = list.stream().noneMatch(n -> n < 0);

4.6 reduce — 归约

将流中元素反复结合，得到一个值：

List<Integer> list = Arrays.asList(1, 2, 3, 4, 5);

// 求和（有初始值）
Integer sum = list.stream().reduce(0, Integer::sum);
// 结果：15

// 求最大值（无初始值，返回 Optional）
Optional<Integer> max = list.stream().reduce(Integer::max);

// 拼接字符串
List<String> words = Arrays.asList("Hello", "Stream", "World");
String joined = words.stream().reduce("", (a, b) -> a + " " + b);
// 结果：" Hello Stream World"

五、Collectors 收集器（重点）

collect 是最常用的终止操作，配合 Collectors 工具类可以实现各种收集需求。

5.1 转集合

// 转 List
List<String> list = stream.collect(Collectors.toList());

// 转 Set
Set<String> set = stream.collect(Collectors.toSet());

// 转指定集合类型
LinkedList<String> linkedList = stream.collect(Collectors.toCollection(LinkedList::new));

5.2 转 Map

// id -> 对象 的映射
Map<Long, Employee> empMap = employees.stream()
    .collect(Collectors.toMap(
        Employee::getId,      // key
        Function.identity(),  // value（对象本身）
        (v1, v2) -> v1        // key 冲突时的处理策略
    ));

// id -> name 的映射
Map<Long, String> idNameMap = employees.stream()
    .collect(Collectors.toMap(Employee::getId, Employee::getName));

5.3 分组 groupingBy

按某个字段分组，是开发中最常用的操作之一：

// 按部门分组
Map<String, List<Employee>> deptMap = employees.stream()
    .collect(Collectors.groupingBy(Employee::getDepartment));

// 多级分组：先按部门，再按年龄
Map<String, Map<String, List<Employee>>> multiGroup = employees.stream()
    .collect(Collectors.groupingBy(
        Employee::getDepartment,
        Collectors.groupingBy(emp -> 
            emp.getAge() > 30 ? "中年" : "青年"
        )
    ));

// 分组并统计数量
Map<String, Long> deptCount = employees.stream()
    .collect(Collectors.groupingBy(
        Employee::getDepartment,
        Collectors.counting()
    ));

// 分组并求平均值
Map<String, Double> deptAvgSalary = employees.stream()
    .collect(Collectors.groupingBy(
        Employee::getDepartment,
        Collectors.averagingDouble(Employee::getSalary)
    ));

5.4 分区 partitioningBy

特殊的分组，只有 true/false 两组：

// 按薪资是否大于10000分区
Map<Boolean, List<Employee>> partition = employees.stream()
    .collect(Collectors.partitioningBy(emp -> emp.getSalary() > 10000));

// true 是高薪组，false 是普通组
List<Employee> highSalary = partition.get(true);
List<Employee> normalSalary = partition.get(false);

5.5 聚合统计

// 统计数量、总和、最小值、平均值、最大值
IntSummaryStatistics stats = employees.stream()
    .collect(Collectors.summarizingInt(Employee::getAge));

stats.getCount();    // 总数
stats.getSum();      // 总和
stats.getMin();      // 最小值
stats.getAverage();  // 平均值
stats.getMax();      // 最大值

5.6 拼接字符串

// 用逗号拼接所有名字
String names = employees.stream()
    .map(Employee::getName)
    .collect(Collectors.joining(", "));

// 带前后缀
String result = words.stream()
    .collect(Collectors.joining(", ", "[", "]"));
// 结果：[Hello, Stream, World]

六、实战案例

案例一：从员工列表中筛选统计

// 需求：找出研发部门薪资大于8000的员工名字，按薪资倒序，取前3个
List<String> top3Names = employees.stream()
    .filter(emp -> "研发部".equals(emp.getDepartment()))
    .filter(emp -> emp.getSalary() > 8000)
    .sorted(Comparator.comparing(Employee::getSalary).reversed())
    .limit(3)
    .map(Employee::getName)
    .collect(Collectors.toList());

案例二：计算每个部门的薪资总和

Map<String, Double> deptTotalSalary = employees.stream()
    .collect(Collectors.groupingBy(
        Employee::getDepartment,
        Collectors.summingDouble(Employee::getSalary)
    ));

案例三：嵌套集合扁平化

// 一个班级有多个学生，每个学生有多个爱好。找出所有爱好去重
List<String> allHobbies = classes.stream()
    .flatMap(c -> c.getStudents().stream())
    .flatMap(s -> s.getHobbies().stream())
    .distinct()
    .collect(Collectors.toList());

案例四：List 转树形结构

// 把扁平的菜单列表转成树形结构
List<Menu> menuTree = menuList.stream()
    .filter(menu -> menu.getParentId() == 0)  // 顶级菜单
    .peek(menu -> menu.setChildren(getChildren(menu, menuList)))
    .collect(Collectors.toList());

// 递归查找子菜单（实际开发中可用 Map 优化）
private List<Menu> getChildren(Menu parent, List<Menu> all) {
    return all.stream()
        .filter(menu -> menu.getParentId().equals(parent.getId()))
        .peek(menu -> menu.setChildren(getChildren(menu, all)))
        .collect(Collectors.toList());
}

七、并行流

7.1 使用方式

// 直接获取并行流
list.parallelStream()

// 普通流转并行
list.stream().parallel()

7.2 适用场景

数据量大、计算密集型任务
每个元素计算独立，无状态依赖
CPU 多核能发挥优势

7.3 注意事项

// ❌ 错误：并行流操作共享变量，结果不确定
int[] sum = {0};
list.parallelStream().forEach(n -> sum[0] += n);

// ✅ 正确：使用 reduce 或 collect
Integer sum = list.parallelStream().reduce(0, Integer::sum);

并行流默认使用 ForkJoinPool.commonPool()，全局共享
I/O 密集型任务不适合并行流（线程阻塞反而浪费资源）
小数据量不要用并行流，线程切换开销大于收益

八、Optional 配合使用

Stream 很多操作返回 Optional，配合使用能优雅避免空指针：

// 找到第一个薪资大于10000的员工，获取名字
String name = employees.stream()
    .filter(emp -> emp.getSalary() > 10000)
    .findFirst()
    .map(Employee::getName)
    .orElse("未找到");