新闻详情

新闻详情

首页 / 资讯中心 / 详情

HoRain云--Java Stream 自定义 Collector:从 collectingAndThen 到并行收集

发布时间:2026/11/15 1:32:32来源:尧图网络
HoRain云--Java Stream 自定义 Collector:从 collectingAndThen 到并行收集
本文讲解 Java Stream Collector 原理包括内置收集器、自定义 Collector、combiner、并行收集和实战案例。正文1. Collector 接口java复制下载public interface CollectorT, A, R { SupplierA supplier(); BiConsumerA, T accumulator(); BinaryOperatorA combiner(); FunctionA, R finisher(); SetCharacteristics characteristics(); }T元素类型A累加器类型R结果类型2. 内置收集器java复制下载list.stream().collect(Collectors.toList()); list.stream().collect(Collectors.toSet()); list.stream().collect(Collectors.toMap(User::getId, User::getName)); list.stream().collect(Collectors.groupingBy(User::getCity)); list.stream().collect(Collectors.joining(, )); list.stream().collect(Collectors.counting());3. 自定义 Collectorjava复制下载public class ImmutableListCollectorT implements CollectorT, ListT, ListT { public SupplierListT supplier() { return ArrayList::new; } public BiConsumerListT, T accumulator() { return List::add; } public BinaryOperatorListT combiner() { return (a, b) - { a.addAll(b); return a; }; } public FunctionListT, ListT finisher() { return Collections::unmodifiableList; } public SetCharacteristics characteristics() { return Collections.emptySet(); } }使用java复制下载ListString result stream.collect(new ImmutableListCollector());4. Collector.of 简化java复制下载CollectorUser, ?, MapString, Integer collector Collector.of( HashMap::new, (map, user) - map.merge(user.getCity(), 1, Integer::sum), (m1, m2) - { m2.forEach((k, v) - m1.merge(k, v, Integer::sum)); return m1; } );5. CharacteristicsCONCURRENT并行时可多线程累加同一容器。UNORDERED不保证顺序。IDENTITY_FINISHfinisher 为恒等函数。6. collectingAndThenjava复制下载ListString unmodifiable list.stream() .collect(Collectors.collectingAndThen(Collectors.toList(), Collections::unmodifiableList));7. teeingJava 12同时收集两个结果java复制下载record Stats(long count, double sum) {} Stats stats list.stream().collect(Collectors.teeing( Collectors.counting(), Collectors.summingDouble(Item::getPrice), Stats::new ));8. 实战分组后排序java复制下载MapString, ListUser result users.stream() .collect(Collectors.groupingBy( User::getCity, Collectors.collectingAndThen( Collectors.toList(), list - list.stream() .sorted(Comparator.comparing(User::getAge)) .toList() ) ));9. 并行收集java复制下载MapString, Long counts list.parallelStream() .collect(Collectors.groupingByConcurrent(User::getCity, Collectors.counting()));并行时使用groupingByConcurrent提升性能。10. 常见坑自定义 Collector 未正确实现 combiner并行结果错误。使用有状态 lambda。toMap 键冲突未处理。并行流与线程安全容器混用。11. 总结自定义 Collector 让 Stream 收集更灵活。理解 supplier、accumulator、combiner、finisher 后可以实现复杂聚合逻辑。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/14 3:51:47

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/12 23:59:09

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/14 17:14:38

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/14 3:51:43

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉