当前位置:首页 > 文章列表 > 文章 > java教程 > JavaStream分区获取集合技巧

JavaStream分区获取集合技巧

2025-07-10 20:00:25 0浏览 收藏

今日不肯埋头,明日何以抬头!每日一句努力自己的话哈哈~哈喽,今天我将给大家带来一篇《Java Stream 分区获取不同集合方法》,主要内容是讲解等等,感兴趣的朋友可以收藏或者有更好的建议在评论提出,我都会认真看的!大家一起进步,一起学习!

使用 Java Stream API 分区数据流并获取不同的集合

本文介绍如何使用 Java Stream API 将数据流按照特定条件进行分区,并将分区后的数据分别收集到不同的集合中。通过 Collectors.partitioningBy 方法,可以高效地将数据流划分为满足条件和不满足条件的两部分,从而避免使用传统的循环方式,简化代码并提高可读性。

使用 partitioningBy 方法进行数据流分区

Java Stream API 提供了 Collectors.partitioningBy 方法,可以根据给定的 Predicate(断言)将数据流划分为两个集合:一个集合包含所有满足 Predicate 的元素,另一个集合包含所有不满足 Predicate 的元素。

partitioningBy 方法返回一个 Map>,其中 Boolean 类型的键表示元素是否满足 Predicate,List 类型的值分别存储满足和不满足 Predicate 的元素列表。

示例代码:

假设我们有一个 ID 列表 myIdList 和一个将 ID 映射到对象的 Map myObjectMap。我们的目标是根据 ID 是否存在于 myObjectMap 中,将 ID 分成两组:存在于 myObjectMap 中的 ID 对应的对象放入一个 List,不存在于 myObjectMap 中的 ID 放入另一个 List。

import java.util.*;
import java.util.stream.Collectors;

public class StreamPartitioning {

    public static void main(String[] args) {
        List myIdList = Arrays.asList("a", "b", "c");
        Map myObjectMap = new HashMap<>();
        myObjectMap.put("b", "B");

        Map> partitioned = myIdList.stream()
                .collect(Collectors.partitioningBy(myObjectMap::containsKey));

        List objectList = partitioned.get(true).stream()
                .map(myObjectMap::get)
                .collect(Collectors.toList());
        List missingObjIds = partitioned.get(false);

        System.out.println("objectList=" + objectList);
        System.out.println("missingObjIds=" + missingObjIds);
    }
}

代码解释:

  1. 创建数据: 首先,我们创建了一个包含字符串 ID 的列表 myIdList 和一个将字符串 ID 映射到对象的 Map myObjectMap。
  2. 使用 partitioningBy 分区: 我们使用 myIdList.stream() 创建一个流,然后使用 collect(Collectors.partitioningBy(myObjectMap::containsKey)) 将流分区。myObjectMap::containsKey 是一个方法引用,它作为 Predicate 传递给 partitioningBy 方法。 partitioningBy 方法会根据 myObjectMap 中是否包含某个 ID 作为键,将 myIdList 中的 ID 分成两组。
  3. 获取分区结果: partitioned 变量是一个 Map>,其中键为 true 的值是 myIdList 中存在于 myObjectMap 中的 ID 列表,键为 false 的值是 myIdList 中不存在于 myObjectMap 中的 ID 列表。
  4. 提取对象列表和缺失 ID 列表: 我们使用 partitioned.get(true).stream().map(myObjectMap::get).collect(Collectors.toList()) 从存在于 myObjectMap 中的 ID 列表中提取对应的对象,并将它们收集到一个新的 List objectList 中。 我们直接使用 partitioned.get(false) 获取不存在于 myObjectMap 中的 ID 列表,并将它赋值给 missingObjIds 变量。
  5. 输出结果: 最后,我们输出 objectList 和 missingObjIds 的值。

输出结果:

objectList=[B]
missingObjIds=[a, c]

注意事项

  • partitioningBy 方法会遍历整个数据流,因此对于大型数据流,性能可能会受到影响。
  • partitioningBy 方法返回的 Map 始终包含两个键:true 和 false。即使数据流中的所有元素都满足或都不满足 Predicate,这两个键仍然存在。

总结

Collectors.partitioningBy 方法是 Java Stream API 中一个强大的工具,可以用于将数据流按照特定条件进行分区,并将分区后的数据分别收集到不同的集合中。通过使用 partitioningBy 方法,可以简化代码并提高可读性。然而,需要注意的是,partitioningBy 方法可能会影响性能,因此在处理大型数据流时需要谨慎使用。

本篇关于《JavaStream分区获取集合技巧》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于文章的相关知识,请关注golang学习网公众号!

AIOverviews质量监控与数据校验设置AIOverviews质量监控与数据校验设置
上一篇
AIOverviews质量监控与数据校验设置
PHPCMS添加在线客服插件步骤详解
下一篇
PHPCMS添加在线客服插件步骤详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    1034次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    1033次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    1176次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    1139次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    981次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码