Stream数据流

一.Stream数据流
　　从JDK1.8开始,由于已经进入到了大数据的时代,所以在类集里面也支持有数据的分析处理操作(数据的流式分析处理操作),为此就专门提供了一个Stream的接口,同时在Collection接口里面也提供有为此接口实例化的方法:
　　并行流式分析:default Stream<E> parallelStream()　　多个线程共同参与分析
　　单一线程分析: default Stream<E> stream()
--Stream接口的基础操作
　　Stream的主要功能是进行数据的分析处理,同时主要是针对于集合中的数据进行分析操作.

public class MyCollectionsDemo {
    public static void main(String[] args) {
        List<String> all = new ArrayList<>();
        //追加元素
        Collections.addAll(all, "python", "c++", "java", "Go", "Ruby");
        Stream<String> stream = all.stream();       //实例化Stream对象
//        System.out.println(stream.count());     //输出元素的个数
        //其最大的好处是可以根据函数式编程实现数据的流式处理
        //例如需要获取集合中带有字母G的元素
        // 将每一个字母都转变为小写字母,并且判断字母是否存在
        long count = stream.filter((ele) -> ele.toLowerCase().contains("j")).count();//断言型的函数式接口
        System.out.println(count);
    }
}

--但是以上的程序只是实现了一些最基础的数据的个数的统计,而更多情况下时获取里面的满足条件的数据内容,因此此时可以实现数据的采集操作:
--范例:数据采集

public class MyCollectionsDemo {
    public static void main(String[] args) {
        List<String> all = new ArrayList<>();
        //追加元素
        Collections.addAll(all, "python", "c++", "java", "Go", "Ruby");
        Stream<String> stream = all.stream();       //实例化Stream对象
        //将满足条件的数据收集起来转化为List集合
        List<String> list = stream.filter((ele) -> ele.toLowerCase().contains("j")).collect(Collectors.toList());//断言型的函数式接口
        System.out.println(list);
    }
}

--在Stream数据流处理的过程中,还允许进行数据的分页处理,提供有两个方法:
　　设置取出的最大的数据量: Stream<T> limit(long maxSize)
　　跳过指定数据量: Stream<T> skip(long n)

public class MyCollectionsDemo {
    public static void main(String[] args) {
        List<String> all = new ArrayList<>();
        //追加元素
        Collections.addAll(all, "python", "c++", "java", "Go", "Ruby","jsp","json","html","css");
        Stream<String> stream = all.stream();       //实例化Stream对象
        //将满足条件的数据收集起来转化为List集合
        List<String> list = stream.filter((ele) -> ele.toLowerCase().contains("j")).skip(1).limit(2).collect(Collectors.toList());//断言型的函数式接口
        System.out.println(list);
    }
}

--运行结果

[jsp, json]

Process finished with exit code 0

-此时其逃过了第一个收集到的数据"java",输出了之后获取到的两个数据.Stream的操作主要是利用自身的特点实现数据的分析处理操作.

二.MapReduce基础模型
　　在进行数据分析的处理之中,有一个最重要的基础模型,那就是MapReduce模型,对于这个模型,一共是分为两个部分,一个是Map处理部分,第二个是Reduce分析部分.在进行数据分析之前,必须要对数据进行合理的处理,而后才可以做统计分析操作.

package 类集合框架.集合工具类;

import java.util.ArrayList;
import java.util.DoubleSummaryStatistics;
import java.util.List;
import java.util.stream.Stream;

/**
 * @author : S K Y
 * @version :0.0.1
 */
class Order{    //订单信息
    private String name;    //购买的商品的名称
    private double price;   //商品的单价
    private int amount;     //商品的数量

    public Order(String name, double price, int amount) {
        this.name = name;
        this.price = price;
        this.amount = amount;
    }

    public String getName() {
        return name;
    }

    public double getPrice() {
        return price;
    }

    public int getAmount() {
        return amount;
    }
}
public class MyMapReduceDemo {
    public static void main(String[] args) {
        //如果要想使用Stream进行分析处理,则一定要将全部分析的数据保存在集合之中
        List<Order> all = new ArrayList<>();
        all.add(new Order("小娃娃",9.9,10));
        all.add(new Order("电动变形金刚",999.9,2));
        all.add(new Order("笔记本电脑",8999.9,4));
        all.add(new Order("茶杯",2.9,200));
        all.add(new Order("电动茶具",112.9,100));
        //统计分析够爱商品之中带有电的产品,并且进行单价和数量的处理随后分析汇总
        DoubleSummaryStatistics statistics = all.stream().filter(order -> order.getName().contains("电"))
                .mapToDouble(value -> value.getPrice() * value.getAmount()).summaryStatistics();
        System.out.println("商品购买种类数量: " + statistics.getCount());
        System.out.println("商品购买总价: " + statistics.getSum());
        System.out.println("商品平均花费: " + statistics.getAverage());
        System.out.println("商品最高花费: " + statistics.getMax());
        System.out.println("商品最低花费: " + statistics.getMin());
    }
}

--运行结果

商品购买种类数量: 3
商品购买总价: 49289.4
商品平均花费: 16429.8
商品最高花费: 35999.6
商品最低花费: 1999.8

Process finished with exit code 0

--这些分析操作只是JDK本身提供的支持,而实际之中肯定不可能这样进行,因为所有的数据如果都保存在内存之中,那么面对与大数据的环境,系统无法承载...