reduce() 方法在 Java 8 中是如何工作的？

Question

我试图了解reduce() 方法在java-8 中是如何工作的。

例如我有这个代码：

public class App {

    public static void main(String[] args) {
        String[] arr = {"lorem", "ipsum", "sit", "amet"};
        List<String> strs = Arrays.asList(arr);

        int ijk = strs.stream().reduce(0, 
            (a, b) -> { 
                System.out.println("Accumulator, a = " + a + ", b = " + b);
                return a + b.length();
            },
            (a, b) -> {
                System.out.println("Combiner");
                return a * b;
            });
        System.out.println(ijk); 
    }
}

输出是这样的：

Accumulator, a = 0, b = lorem
Accumulator, a = 5, b = ipsum
Accumulator, a = 10, b = sit
Accumulator, a = 13, b = amet
17

它是这些字符串长度的总和。而且我看到没有访问组合器，所以它不会乘以数字，它只会添加数字。

但如果我将stream 替换为parallelStream：

int ijk = strs.parallelStream().reduce(0, 
    (a, b) -> { 
        System.out.println("Accumulator, a = " + a + ", b = " + b);
        return a + b.length();
    },
    (a, b) -> {
        System.out.println("Combiner");
        return a * b;
    });

System.out.println(ijk); 

这是输出：

Accumulator, a = 0, b = ipsum
Accumulator, a = 0, b = lorem
Accumulator, a = 0, b = sit
Combiner
Accumulator, a = 0, b = amet
Combiner
Combiner
300

我看到累加器和组合器都被访问了，但只有乘法是返回的。那么总和会发生什么？

Answer 1

您应该阅读reduce 的文档：

另外，combiner 函数必须与 accumulator 函数兼容；对于所有 u 和 t，必须满足以下条件：

combiner.apply(u, accumulator.apply(identity, t)) == accumulator.apply(u, t)

在您的情况下，您违反了该法律（在 accumulator 中进行 sum 并在 combiner 中进行 乘法），因此您看到的结果是一个操作实际上是未定义的，取决于底层源的 Spliterator 是如何实现的（不要那样做！）。

此外，combiner仅为并行流调用。

当然，您的整个方法可以简化为：

Arrays.asList("lorem", "ipsum", "sit", "amet")
      .stream()
      .mapToInt(String::length)
      .sum();

如果您这样做只是为了学习，正确的reduce 将是（获取sum）：

strs.parallelStream()
    .reduce(0,
            (a, b) -> {
                  System.out.println("Accumulator, a = " + a + ", b = " + b);
                  return a + b.length();
            },
            (a, b) -> {
                  System.out.println("Combiner");
                  return a + b;
            });

Answer 2

关键概念：标识、累加器和组合器

Stream.reduce() 操作：让我们将操作的参与者元素分解为单独的块。这样，我们将更容易理解每​​个人所扮演的角色

• Identity – 一个元素，它是归约操作的初始值，如果流为空，则为默认结果
• itemAccumulator – 一个接受两个参数的函数：归约操作的部分结果和流的下一个元素
• Combiner – 一个接受两个参数的函数：归约操作的部分结果和流的下一个元素 组合器 - 当归约并行化或累加器参数的类型与累加器实现的类型不匹配时，用于组合归约操作的部分结果的函数

当流并行执行时，Java 运行时会将流拆分为多个子流。在这种情况下，我们需要使用一个函数将子流的结果合并为一个。这就是combiner的作用

案例 1：Combiner 与 parallelStream 一起使用，如您的示例所示

案例 2：具有不同类型参数的累加器示例

在这种情况下，我们有一个用户对象流，累加器参数的类型是整数和用户。但是，累加器的实现是整数的总和，所以编译器无法推断用户参数的类型。

List<User> users = Arrays.asList(new User("John", 30), new User("Julie", 35));
int computedAges = users.stream().reduce(0, (partialAgeResult, user) -> partialAgeResult + user.getAge());

编译错误

The method reduce(User, BinaryOperator<User>) in the type Stream<User> is not applicable for the arguments (int, (<no type> partialAgeResult, <no type> user) -> {})

我们可以通过使用组合器来解决这个问题：这是方法引用Integer::sum 或使用 lambda 表达式(a,b)->a+b

int computedAges = users.stream().reduce(0, (partialAgeResult, user) -> partialAgeResult + user.getAge(),Integer::sum);

简单地说，如果我们使用顺序流并且累加器参数的类型和它的实现类型匹配，我们就不需要使用组合器。

Answer 3

使用java-stream 有 3 种减少方法。简而言之，Stream::reduce 从两个后续项（或一个标识值与第一个项）开始，并与它们执行操作以产生新的减少值。对于下一个项目，同样的情况会发生，并使用减少的值执行操作。

假设您有'a'、'b'、'c' 和'd' 的流。归约执行以下操作序列：

1. result = operationOn('a', 'b') - operationOn 可能是任何东西（输入长度​​的总和......）
2. result = operationOn(result, 'c')
3. result = operationOn(result, 'd')
4. result is returned

方法有：

• Optional<T> reduce(BinaryOperator<T> accumulator) 对元素进行缩减。从产生减少值的前两个项目开始，然后每个项目产生减少值。返回Optional<T>，因为不能保证输入流不为空。

• T reduce(T identity, BinaryOperator<T> accumulator) 与上面的方法相同，除了标识值作为第一项给出。 T 被返回，因为由于T identity，始终保证至少有一项。

• U reduce(U identity, BiFunction<U,? super T, U> accumulator, BinaryOperator<U> combiner) 和上面的方法一样，只是功能是合并的。 U 被返回，因为由于U identity，总是至少有一项保证。

Answer 4

我假设您选择做加法和乘法只是为了看看究竟发生了什么。

正如您已经注意到的那样，正如已经提到的，组合器仅在并行流上调用。

简而言之，在并行流上，流的一部分（分别是底层的 Spliterator）被截断并由不同的线程处理。在处理了几个部分后，它们的结果会被组合器组合起来。

在您的情况下，这四个元素都由不同的线程处理，然后按元素进行组合。这就是为什么你看不到任何加法（除了0 +），而只有乘法。

但是，为了获得有意义的结果，您应该从* 切换到+，而是进行更有意义的输出。