漢字排序最簡實現

public static void main(String[] args) {
        List<String> strings = Arrays.asList("張三", "王五", "安娜", "李四", "張志東", "楊天華");

        List<String> sorted = strings.stream().sorted(Collator.getInstance(Locale.CHINESE)).collect(Collectors.toList());
        System.out.println("自然正序排序"+JSON.toJSON(sorted));

        List<String> sorted1 = strings.stream().sorted(Collections.reverseOrder(Collator.getInstance(Locale.CHINESE))).collect(Collectors.toList());
        System.out.println("漢子倒序排序"+JSON.toJSON(sorted1));
    }


輸出結果：
自然正序排序["安娜","李四","王五","楊天華","張三","張志東"]
漢子倒序排序["張志東","張三","楊天華","王五","李四","安娜"]

java8之Lambda表達式 4：MapReduce開發案例

簡介

通過Lambda中的Stream接口實現MapReduce工具，簡單理解就類似於sql之中的分組統計工具，只不過MapReduce是一種可以針對每個數據處理+集合的最終統計操作。

具體內容

集合不管怎麼改變，它一定是一個動態數組，所以整個MapReduce操作都圍繞着對象完成。
範例：定義一個購物車類，在集合類裏面會保存有多個Car類的對象

public class Car {

    private String pname;
    private Integer amouter;
    private Double price;

    public Car(String pname, Integer amouter, Double price) {
        super();
        this.pname = pname;
        this.amouter = amouter;
        this.price = price;
    }
    public Car() {
        super();
    }
    public String getPname() {
        return pname;
    }
    public void setPname(String pname) {
        this.pname = pname;
    }
    public Integer getAmouter() {
        return amouter;
    }
    public void setAmouter(Integer amouter) {
        this.amouter = amouter;
    }
    public Double getPrice() {
        return price;
    }
    public void setPrice(Double price) {
        this.price = price;
    }
}

用Map()來進行數據的分別處理

範例：數據的分別處理

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        all.stream().map(car->{
            System.out.print("書名："+car.getPname()+" 總價：");
            return car.getAmouter()*car.getPrice();
        }).forEachOrdered(System.out::println);
    }
}

輸出結果如下：
書名：c++ 總價：2160.0
書名：mongo 總價：2160.0
書名：android 總價：2560.0
書名：oracle 總價：176.0

從上面的代碼可見，map()方法的功能是針對集合的每個數據進行處理。

用Reduce()將集合中的所有數據變爲一個結果

如果使用map()方法進行數據的重新組合，那麼reduce()就是將集合中的所有數據變爲一個結果，就像SQL中的sum(),avg(),count()函數的功能。
reduce()方法：public final Optional<P_OUT> reduce(BinaryOperator<P_OUT> accumulator)
範例，實現購買商品綜合的操作

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        double result =all.stream().map(car->{
            return car.getAmouter()*car.getPrice();
        }).reduce((sum,carPrice)->sum+carPrice).get();
        System.out.println("購買總金額"+result);
    }
}

代碼運行結果如下：
購買總金額13936.0

Map和Reduce一起操作

如果要進行統計，可能會包含：總和，最大值，最小值，平均值，數量
在Stream接口裏面提供了相應的操作：

• 處理double數據：DoubleStream mapToDouble(ToDoubleFunction<? super T> mapper)
• 處理int操作：IntStream mapToInt(ToIntFunction<? super T> mapper)

• 處理long操作：LongStream mapToLong(ToLongFunction<? super T> mapper)

  在每個返回的接口裏面提供瞭如下的統計操作方法：

• double數據統計（DoubleStream）：public DoubleSummaryStatistics summaryStatistics()

• int數據統計（IntStream）:public IntSummaryStatistics summaryStatistics()
• long數據統計（LongStream）：public LongSummaryStatistics summaryStatistics()
  這些類裏面提供了一些列的getXxx()方法用於統計相關信息。
  範例:進行reduce功能實現

public class TestDemo {
    public static void main(String[] args) {
        List<Car> all=new ArrayList<Car>();
        all.add(new Car("java",200,20.8));
        all.add(new Car("ios",200,10.8));
        all.add(new Car("c",200,2.8));
        all.add(new Car("c++",200,10.8));
        all.add(new Car("mongo",200,10.8));
        all.add(new Car("android",200,12.8));
        all.add(new Car("oracle",20,8.8));
        DoubleSummaryStatistics result=all.stream().mapToDouble(myCar->{
            return myCar.getAmount()*myCar.getPrice();
        }).summaryStatistics();
        System.out.println("統計量: "+result.getCount());
        System.out.println("最大值: "+result.getMax());
        System.out.println("最小值: "+result.getMin());
        System.out.println("總和: "+result.getSum());
        System.out.println("平均值: "+result.getAverage());
    }
}

輸出值：
統計量: 7
最大值: 4160.0
最小值: 176.0
總和: 13936.0
平均值: 1990.857142857143

整個過程就是Mongodb裏面用的MapReduce的分析方法。