🍊 Java学习：Java从入门到精通总结
豆瓣评分9.8的图书《Effective Java》，是当今世界顶尖高手Josh Bloch的著作，在我之前的文章里我也提到过，编程就像练武，既需要外在的武功招式（编程语言、工具、中间件等等），也需要修炼心法（设计模式、源码等等） 学霸、学神OR开挂。
我也始终有一个观点：看视频跟着敲代码永远只是入门，从书籍里学到了多少东西才决定了你的上限。
我个人在Java领域也已经学习了近5年，在修炼“内功”的方面也通过各种途径接触到了一些编程规约，例如阿里巴巴的泰山版规约，在此基础下读这本书的时候仍是让我受到了很大的冲激，学习到了很多约定背后的细节问题，还有一些让我欣赏此书的点是，书中对于编程规约的解释让我感到十分受用，并愿意将他们应用在我的工作中，也提醒了我要把阅读JDK源码的任务提上日程。
最后想分享一下我个人目前的看法，内功修炼不像学习一个新的工具那么简单，其主旨在于踏实，深入探索底层原理的过程很缓慢并且是艰辛的，但一旦开悟，修为一定会突破瓶颈，达到更高的境界，这远远不是我通过一两篇博客就能学到的东西。
接下来就针对此书列举一下我的收获与思考。
不过还是要吐槽一下的是翻译版属实让人一言难尽，有些地方会有误导的效果，你比如java语言里extends是继承的关键字，书本中全部翻译成了扩展就完全不是原来的意思了。所以建议有问题的地方对照英文原版进行语义上的理解。
没有时间读原作的同学可以参考我这篇文章。
42 Lambda优先于匿名类
自从JDK 1.1于1997年发布以来，创建函数对象的主要手段就是匿名类。下面代码是按照字符串⻓度顺序对列表进行排序，使用匿名类创建排序的比较方法：
Collections.sort(words, new Comparator<String>() {
public int compare(String s1, String s2) {
return Integer.compare(s1.length(), s2.length());
}
});匿名类适用于需要函数对象的经典面向对象设计模式，特别是策略模式。Comparator接口代表一种排序的抽象策略；上面的匿名类是排序字符串的具体策略。
在Java 8中，“带有单个抽象方法的接口”是特殊的，他们被称作函数式接口，Java允许利用Lambda表达式创建这些接口的实例。
Collections.sort(words, (s1, s2) -> Integer.compare(s1.length(), s2.length()));Lambda的类型是Comparator <String>，其参数s1，s2的类型是String，返回值类型int全都没有出现在代码里
编译器使用一个叫<font color="#3333ff">类型推断</font>的过程从上下文中推断出这些类型。
如果编译器产生错误消息，无法推断出Lambda参数的类型，那就手动指定它。
如果用Lambda表达式代替Comparator的构造方法，代码会更加简练：
Collections.sort(words, comparingInt(String::length));如果用Java 8中List接口里的sort方法，代码还可以更简洁：
words.sort(comparingInt(String::length));Java中增加了Lambda之后，使得之前不能使用函数对象的地方现在也能用了。例如，以34条里的Operation枚举类型为例：
public enum Operation {
PLUS("+") {
public double apply(double x, double y) {
return x + y;
}
},
MINUS("-") {
public double apply(double x, double y) {
return x - y;
}
},
TIMES("*") {
public double apply(double x, double y) {
return x * y;
}
},
DIVIDE("/") {
public double apply(double x, double y) {
return x / y;
}
};
private final String symbol;
Operation(String symbol) {
this.symbol = symbol;
}
@Override
public String toString() {
return symbol;
}
public abstract double apply(double x, double y);
}使用Lambda改造的话，只要给每个枚举常量的构造器传递一个实现其行为的Lambda即可：
public enum Operation {
PLUS("+", (x, y) -> x + y),
MINUS("-", (x, y) -> x - y),
TIMES("*", (x, y) -> x * y),
DIVIDE("/", (x, y) -> x / y);
private final String symbol;
private final DoubleBinaryOperator op;
Operation(String symbol, DoubleBinaryOperator op) {
this.symbol = symbol;
this.op = op;
}
@Override
public String toString() {
return symbol;
}
public double apply(double x, double y) {
return op.applyAsDouble(x, y);
}
}构造方法将Lambda存储在实例属性中，apply 方法将调用转发给Lambda，代码量更少，逻辑也更清晰。
使用Lambda需要注意的地方是：Lambda没有名称和文档；如果计算比较复杂，或者代码量超过几行，就不要用Lambda了。
Lambda表达式一行是最好的，三行是极限！不能再多了
传递给枚举构造方法的参数是在静态环境中计算的。因此，枚举构造方法中的Lambda表达式不能访问枚举的实例成员。如果枚举类型具有难以理解的特殊方法，使用原先的实现方式仍是首选。
匿名类在Lambda时代并未过时，可以依据以下几点来进行选择： 1. 如果想创建抽象类的实例，可以用匿名类来完成
2. 如果一个接口有多个抽象方法，创建实例要用匿名类
3. Lambda无法获得对自身的引用 在Lambda中，关键字this指向外围实例，这通常是我们想要的
不要序列化一个 Lambda 或 匿名类实例，如果想要可序列化的函数对象，如Comparator，就使用私有静态嵌套类的实例。
43 方法引用优先于Lambda
如果方法引用看起来更简短更清晰，就用方法引用；否则还是用Lambda
Java提供了一种生成函数对象的方法，比lambda还要简洁：方法引用（method references），就是常说的::运算符
下面代码是用来保持从任意键到Integer的映射：
map.merge(key, 1, (count, incr) -> count + incr);代码使用了Java 8中的 Map 接口中的merge方法，如果没有给定key的映射，就插入默认值（上面代码里的1）；如果映射已经存在，则将函数应用于当前值和指定值，并用结果覆盖当前值。这里的函数是将现有值count递增incr
Integer 类（和所有其他包装数字基本类型）提供了一个静态方法sum，只传入这个方法的引用也行：
map.merge(key, 1, Integer::sum);使用了方法引用的代码更简洁
但有时候Lambda会比方法引用更简洁，大多数情况是方法与lambda相同的类中，例如下面的代码发生在GoshThisClassNameIsHumongous类里：
- 方法引用
service.execute(GoshThisClassNameIsHumongous::action);- Lambda
service.execute(() -> action());类似的还有 Function 接口，它用一个静态工厂方法返回 id 函数 Function.identity()。如果使用等效的lambda内联代码：
x -> x这样会更简洁
许多方法引用是指静态方法，但有4种方法没有引用静态方法：
无限制的引用经常用在流管道（Stream pipeline）中作为映射和过滤函数；构造器引用是充当工厂对象
44 优先使用标准的函数式接口
如果标准函数接口能满足要求，应该优先使用它，而不是专⻔自己创建新的函数接口。
以LinkedHashMap为例，可以通过重写其protected removeEldestEntry方法将此类用作缓存，每次将新的key值加入到map时都会调用该方法。以下代码重写允许map最多保存100个条目，然后在每次添加新key值时删除最老的条目：
protected boolean removeEldestEntry(Map.Entry<K,V> eldest) {
return size() > 100;
}用Lambda可以做得更好，自己定义一个函数接口如下：
@FunctionalInterface
interface EldestEntryRemovalFunction<K,V>{
boolean remove(Map<K,V> map, Map.Entry<K,V> eldest);
}这个接口可以正常工作，但是没必要，因为java.util.function包提供了大量标准函数式接口以供使用。
许多标准函数式接口都提供了有用的默认方法。如Predicate接口提供了组合判断的方法。标准的BiPredicate<Map<K,V>, Map.Entry<K,V>> 接口应优先于自定义的EldestEntryRemovalFunction接口的使用。
EldestEntryRemovalFunction 接口使用@FunctionalInterface注解进行标注的。这个注解类型本质上与@Override一样，有三个目的：
- 告诉读者这个接口是针对Lambda设计的
- 这个接口不会进行编译，除非他只有一个抽象方法
- 避免后续维护人员不小心给该接口添加抽象方法
始终使用@FunctionalInterface1注解标注自己写的函数式接口
- 这六个基础接口各自还有3种变体（int、long、double），例如predicate的变体IntPredicate
- Function 接口还有9种变体，LongToIntFunction、DoubleToObjFunction等
- 这三种基础函数接口还有带两个参数的版本，BiPredicate <T，U>、BiFunction <T，U，R>、BiConsumer <T，U>
- 还有BiFunction变体用于返回三个相关的基本类型：ToIntBiFunction<T，U>，ToLongBiFunction<T，U> 和ToDoubleBiFunction <T，U>
- Consumer接口也有带两个参数的变体版本，带一个对象和一个基本类型：ObjDoubleConsumer <T>，ObjIntConsumer <T>和 ObjLongConsumer <T>
- 还有一个 BooleanSupplier 接口，它是 Supplier 的一个变体，返回boolean
注意：不要用带包装类型的基础函数接口来代替基本函数接口。使用装箱基本类型进行批量操作处理，后果可能是致命的。
什么时候应该自己编写接口呢？ 答案是：如果没有一个标准的函数接口能够满足需求时
以Comparator <T>为例，它的结构与ToIntBiFunction <T, T>接口相同。Comparator有自己的接口有以下几个原因：
- 每当在API中使用时，其名称提供了良好的文档信息
- Comparator接口对于如何构成一个有效的实例，有着严格的条件限制
<li>这个接口配置了大量好用的default方法，可以对Comparator进行转换和合并</li>
如果所需要的函数接口与Comparator一样具有以下特征，就需要自己编写专用的函数接口了：
- 通用，并且将受益于描述性的名称
- 具有与其关联的严格的契约
- 将受益于定制的缺省方法
45 谨慎使用Stream
在Java 8中添加了Stream API，以简化串（并）行执行批量操作的任务。
Stream表示有限或无限的数据元素序列，Stream pipeline，表示对这些元素的多级计算。Stream中的元素可以来自集合、数组、文件、正则表达式模式匹配器、伪随机数生成器和其他Stream。数据可以是对象引用或基本类型（int、long、double）。
一个Stream pipeline包含一个 源Stream，几个中间操作，1个终止操作。每个中间操作都以某种方式转换Stream，比如过滤操作。终止操作会对Stream执行一个最终计算，比如返回一个List，打印所有元素等。
- Stream pipeline是lazy的：直到调用终止操作时才会开始计算
没有终止操作的的Stream pipeline是静默的，所以终止操作千万不能忘
- Stream API是fluent的：所有包含pipeline的调用可以链接成一个表达式
介绍完Stream之后，肯定就会有小伙伴们开始思考了，我们应该在什么时候用呢？
其实并没有任何硬性的规定，但可以从以下例子中得到启发：
例一： 读取字典中的单词，打印出单词出现次数大于某值的所有“换位词”
换位词：包含相同字母，但顺序不同的单词
如果换位词一样，这里就认为是同一个单词
public class Anagrams {
public static void main(String[] args) throws IOException {
File dictionary = new File(args[0]);
int minGroupSize = Integer.parseInt(args[1]);
Map<String, Set<String>> groups = new HashMap<>();
try (Scanner s = new Scanner(dictionary)) {
while (s.hasNext()) {
String word = s.next();
groups.computeIfAbsent(alphabetize(word),
(unused) -> new TreeSet<>()).add(word);
}
}
for (Set<String> group : groups.values())
if (group.size() >= minGroupSize)
System.out.println(group.size() + ": " + group);
}
private static String alphabetize(String s) {
char[] a = s.toCharArray();
Arrays.sort(a);
return new String(a);
}
}将每个单词插入到map中中使用了computeIfAbsent方法，computeIfAbsent 方法对 hashMap 中指定 key 的值进行重新计算，如果不存在这个 key，则添加到 hashMap 中。
语法为：
hashmap.computeIfAbsent(K key, Function remappingFunction)参数说明：
- key - 键
- remappingFunction - 重新映射函数，用于重新计算value
例二： 这个例子大量使用了Stream
public class Anagrams {
public static void main(String[] args) throws IOException {
Path dictionary = Paths.get(args[0]);
int minGroupSize = Integer.parseInt(args[1]);
try (Stream<String> words = Files.lines(dictionary)) {
words.collect(
groupingBy(word -> word.chars().sorted()
.collect(StringBuilder::new,
(sb, c) -> sb.append((char) c),
StringBuilder::append).toString()))
.values().stream()
.filter(group -> group.size() >= minGroupSize)
.map(group -> group.size() + ": " + group)
.forEach(System.out::println);
}
}
}如果你发现这段代码难以阅读，别担心，我也难看懂吗，在工作里面也是不提倡的，所以滥用Stream会使得程序代码难以读懂和维护
例三： 下面的代码和例二的逻辑相同，它没有过度使用Stream，代码可读性很强：
public class Anagrams {
public static void main(String[] args) throws IOException {
Path dictionary = Paths.get(args[0]);
int minGroupSize = Integer.parseInt(args[1]);
try (Stream<String> words = Files.lines(dictionary)) {
words.collect(groupingBy(word -> alphabetize(word)))
.values().stream()
.filter(group -> group.size() >= minGroupSize)
.forEach(g -> System.out.println(g.size() + ": " + g));
}
}
// alphabetize method is the same as in original version
private static String alphabetize(String s) {
char[] a = s.toCharArray();
Arrays.sort(a);
return new String(a);
}
}它在一个try-with-resources块中打开文件，获得一个由文件中的所有代码的Stream。Stream中的pipeline没有中间操作，终止操作是将所有单词集合到一个映射中，按照它们的换位词对单词进行分组
values().stream()打开了一个新的Stream<List<String>>，这个Stream里的元素都是换位词，filter进行了过滤，忽略大小小于minGroupSize的所有组，最后由终结操作forEach打印剩下的同位词组。
提高Stream代码的可读性有两个要求：
- 在没有显式类型的情况下，认真命名Lambda参数
- 使用辅助方法（上面的alphabetize），因为pipeline缺少显式类型信息和命名临时变量
需要提醒一点，使用Stream处理char类型的数据有风险：
例四：
"Hello world!".chars().forEach(System.out::print);发现它打印 721011081081113211911111410810033。这是因为“Hello world!”.chars()返回的Stream的元素不是char值，而是int，修改方法是加一个强制类型转换：
"Hello world!".chars().forEach(x -> System.out.print((char) x));所以应该避免使用Stream来处理char值
综上所述，Stream适合完成下面这些工作：
- 统一转换元素序列
- 过滤元素序列
- 使用单个操作组合元素序列(例如添加、连接或计算最小值)
- 将元素序列累积到一个集合中，可能通过一些公共属性将它们分组
- 在元素序列中搜索满足某些条件的元素
假设Card是一个不变值类，用于封装Rank和Suit，下面代码求他们的笛卡尔积：
private static List<Card> newDeck() {
List<Card> result = new ArrayList<>();
for (Suit suit : Suit.values())
for (Rank rank : Rank.values())
result.add(new Card(suit, rank));
return result;
}基于Stream实现的代码如下：
private static List<Card> newDeck() {
return Stream.of(Suit.values())
.flatMap(suit ->
Stream.of(Rank.values())
.map(rank -> new Card(suit, rank)))
.collect(toList());
}其中用到了 flatMap 方法：这个操作将一个Stream中的每个元素都映射到一个Stream中，然后将这些新的Stream全部合并到一个Stream(或展平它们)。
newDeck的两个版本中到底哪一个更好？这就是仁者见仁智者见智的问题了，取决于你的个人喜好 : )
46 优先选择Stream中无副作用的函数
Stream最重要的是把将计算结构构造成一系列变型，其中每个阶段的结果尽可能接近前一阶段结果的纯函数（pure function）。纯函数的结果仅取决于其输入的函数：它不依赖于任何可变状态，也不更新任何状态。为了实现这一点，Stream操作的任何中间操作和终结操作都应该是没有副作用的。
如下代码，将单词出现的频率打印出来：
Map<String, Long> freq = new HashMap<>();
try (Stream<String> words = new Scanner(file).tokens()) {
words.forEach(word -> {
freq.merge(word.toLowerCase(), 1L, Long::sum);
});
}实际上这根本不是Stream代码，只不过是伪装成Stream的迭代代码。可读性也差，forEach里面逻辑太多了，正确的应该是这么写：
Map<String, Long> freq;
try (Stream<String> words = new Scanner(file).tokens()) {
freq = words
.collect(groupingBy(String::toLowerCase, counting()));
}所以forEach 操作应仅用于报告Stream计算的结果，而不是进行计算
对于初学者来说，可以忽略Collector接口，将其看做是黑盒对象即可，这个黑盒可以将Stream的元素合并到单个集合里。
有三个这样的Collector：toList()、toSet() 和 toCollection(collectionFactory)。基于此，我们可以从频率表中提取排名前10的单词列表：
List<String> topTen = freq.keySet().stream()
.sorted(comparing(freq::get).reversed())
.limit(10)
.collect(toList());注意上述代码用的是.collect(toList())，而不是.collect(Collectors.toList())，这是因为静态导入了Collectors所有成员，也是一种提高代码可读性的手段。
接下来介绍Collector中比较重要的三个方法：
1. toMap(keyMapper、valueMapper)
它接受两个函数：一个将Stream元素映射到键，另一个将它映射到值。例如下面将枚举的字符串形式映射到枚举本身：
private static final Map<String, Operation> stringToEnum =
Stream.of(values()).collect(toMap(Object::toString, e -> e));还有带三个参数的toMap，假设有一个Stream代表不同艺术家（artists）的专辑（albums），可以得到每个歌唱家最畅销的那一张专辑，用map来存储：
Map<Artist, Album> topHits = albums.collect(toMap(Album::artist, a->a, maxBy(comparing(Album::sales))));比较器使用静态工厂方法maxBy，它是从BinaryOperator import进来的。此方法将Comparator<T> 转换为BinaryOperator<T>，用于计算指定比较器产生的最大值。
2. groupingBy
该方法返回Collector，基于分类函数（classifier function）将元素分类，返回值是一个map，value是存储了每个类别的所有元素的List
words.collect(groupingBy(word -> alphabetize(word)))上面代码就返回的是collect，key是alphabetize(word)，value是word列表
还有传入两个参数的groupingBy，传入counting()作为下游收集器，这样会生成一个映射，将每个类别与该类别中的元素数量关联起来
Map<String, Long> freq = words.collect(groupingBy(String::toLowerCase, counting()));3. groupingByConcurrent
该方法提供了提供了groupingBy所有三种重载的变体，支持并发安全性，最终返回的也是ConcurrentHashMap实例
4. joining
它仅对 CharSequence 实例（如字符串）的Stream进行操作。可以传入一个参数CharSequence delimiter作为分界符。如果传入一个逗号作为分隔符，Collector就会返回一个用逗号隔开的字符串
47 Stream要优先用Collection作为返回类型
先说结论：
在编写会返回一系列元素的方法时，某些程序员可能希望将它们作为 Stream 处理，其他程序员可能希望使用迭代方式（Iterable）。
如何做到兼顾呢？
- 如果可以返回集合，就返回集合
- 如果集合中已经有元素，或者元素数量不多，就返回一个标准集合，比如 ArrayList
- 否则，就需要自定义集合，如下文将提到的幂集
- 如果不能返回集合，则返回Stream或Iterable
如果想要用for-each循环遍历返回序列的话，必须将方法引用转换成合适的Iterable类型：
for (ProcessHandle ph : (Iterable<ProcessHandle>)ProcessHandle.allProcesses()::iterator)但是上面的代码在实际使用时过于杂乱、不清晰。解决方案就是写一个适配器：
public static <E> Iterable<E> iterableOf(Stream<E> stream) {
return stream::iterator;
}有了这个适配器，就可以使用 for-each 语句迭代任何Sream了：
for (ProcessHandle p : iterableOf(ProcessHandle.allProcesses())) {
// Process the process
}想要利用Stream pipeline处理序列的程序员，如果API只提供了Iterable的话，我们需要手动将Iterable转Stream：
public static <E> Stream<E> streamOf(Iterable<E> iterable) {
return StreamSupport.stream(iterable.spliterator(), false);
}Collection接口是Iterable的子类型，有一个stream方法，因此提供了迭代和stream访问。所以<font color="#3333ff">Collection或适当的子类型通常是公共序列返回方法的最佳返回类型</font>。
如果返回的序列很大，可以考虑实现一个专用的集合。例如想要返回一个指定集合的幂集
例如{a，b，c} 的幂集为 {
<!-- -->{}，{a}，{b}，{c}，{a，b}，{a，c}，{b，c}，{a，b, c}}
技巧是，使用幂集中每个元素的索引作为位向量（bit vector），在索引中的第 n 位，表示源集合中是否存在第 n 位元素。
public class PowerSet {
public static final <E> Collection<Set<E>> of(Set<E> s) {
List<E> src = new ArrayList<>(s);
if (src.size() > 30)
throw new IllegalArgumentException("Set too big " + s);
return new AbstractList<Set<E>>() {
@Override
public int size() {
return 1 << src.size(); // 2 to the power srcSize
}
@Override
public boolean contains(Object o) {
return o instanceof Set && src.containsAll((Set)o);
}
@Override
public Set<E> get(int index) {
Set<E> result = new HashSet<>();
for (int i = 0; index != 0; i++, index >>= 1)
if ((index & 1) == 1)
result.add(src.get(i));
return result;
}
};
}
}为了在 AbstractCollection 上编写 Collection 实现，除了 Iterable 所需的方法之外，只需要实现两种方法：contains 和 size。
48 谨慎使用Stream并行
下面的代码逻辑是求所有2 ^ p - 1数字里为素数的数字
public static void main(String[] args) {
primes().map(p -> TWO.pow(p.intValueExact()).subtract(ONE))
.filter(mersenne -> mersenne.isProbablePrime(50))
.limit(20)
.forEach(System.out::println);
}
static Stream<BigInteger> primes() {
return Stream.iterate(TWO, BigInteger::nextProbablePrime);
}
TWO.pow(p.intValueExact()).subtract(ONE))表示2 ^ p - 1
mersenne.isProbablePrime(50)表示mersenne是否可能是素数，传入的数字表示可能性阈值
如果添加一个parallel()的话，原意是想要提速，但实际结果是根本不打印任何内容，CPU使用率却很高。
原因是：Stream不知道如何去并行这个pipeline。如果源头是Stream.iterate，或者使用了中间操作limit，并行则不太可能提高其性能。
默认的并行策略在处理limit的不可预知性时，每查找到一个素数时，所花费的时间都等于计算所有之前元素总和的时间，所以不要任意地并行Stream pipeline。
并行能带来性能收益的应用场景在于ArrayList、HashMap、HashSet 和 ConcurrentHashMap、数组、int 范围和long 范围。
这些数据结构有共同的特点： 1. 可以精确、轻松地分割成任意大小的子范围 Stream类库里用来执行分工任务的是spliterator，由 spliterator 方法在Stream 和Iterable 上返回。
2. 在顺序处理时提供了较好的引用局部性（localityof reference）
时间局部性是指，被引用一次的储存器位置，在接下来的时间会经常被引用
空间局部性是指，被引用一次的储存器位置，在接下来的时间，他旁边的储存位置也会被引用
引用局部性非常重要：没有它，线程会出现闲置，需要等待数据从内存转移到处理器的缓存中。
并行pipeline效率会受限的场景： 终止操作里做了复杂的运算
并行的最佳终止操作是用Stream的reduce方法，将所有pipeline产生的元素合并到一起，或者事先打包min、max、count和sum这类方法。短路操作anyMatch、allMatch 和 noneMatch 也可以支持并行。由Stream的collect 方法执行的操作，不适合并行性，因为组合集合的开销非常大。
如果是编写自己的Stream、Iterable 或Collection，并且希望获得良好的并行性能，则必须重写 spliterator 方法并广泛测试性能。编写高质量的 spliterator 很困难，不建议这么做！
并行Stream不仅可能降低性能，它会导致不正确的结果和不可预知的行为
对于一个高效的可拆分的源Stream、一个可并行化或简单的终止操作、互不干扰干扰的函数对象，由于他们本身就性能很好地，所以也无法从并行化中获得良好的加速效果。
切记： 并行化Stream是严格的性能优化，必须在更改前后进行测试性能。
通常，程序中的所有并行Stream pipeline都在公共fork-join池中运行。只要有一个pipeline不正常，都会损害到系统里其他不相关部分的性能。
当然，在某些条件下，给Stream pipeline添加parallel调用，确实可以基于CPU核实现性能倍增，典型的就是机器学习和数据处理领域。
比如下面这个数学计算的代码就能通过并行来提速：
static long pi(long n) {
return LongStream.rangeClosed(2, n)
.parallel()
.mapToObj(BigInteger::valueOf)
.filter(i -> i.isProbablePrime(50))
.count();
}