4、数据流转换算子：Map、Filter、FlatMap、Reduce、Aggregate 算子详解与实战

数据流转换算子，说白了就是你在管道里塞进去的那些「加工机器」。每个算子负责一件事：映射、过滤、展平、聚合。我刚开始接触数据流编程时，总觉得这些概念差不多，直到有一次线上任务因为用错了算子导致 OOM……嗯，从那以后我再也不敢小看它们了。

这一章，我们逐个拆解五个核心算子。每个我都会给出定义、代码示例，以及我在项目中踩过的坑。

4.1 Map：一对一转换

Map 是最基础的转换算子。它接收一个输入元素，输出一个转换后的元素。比例永远是 1:1。

举个例子，从用户实体中提取用户名：

// Java Stream 示例
List<User> users = getUsers();
List<String> names = users.stream()
    .map(user -> user.getName())
    .collect(Collectors.toList());

我个人习惯把 Map 用在「数据清洗」阶段。比如把字符串转成整数、把对象转成 DTO、把时间戳格式统一。你想想看，如果不用 Map，你得写多少 for 循环？

4.2 Filter：条件筛选

Filter 负责「留还是不留」。它接收一个谓词（Predicate），返回 true 的留下，false 的丢弃。

比例是 N : M，其中 M ≤ N。

// 筛选出年龄大于 18 的用户
List<User> adults = users.stream()
    .filter(user -> user.getAge() >= 18)
    .collect(Collectors.toList());

我曾经在 Filter 里写过复杂的业务逻辑，结果调试了整整一个下午。后来我总结了一条铁律：Filter 里的谓词必须是无副作用的纯函数。什么意思？就是不能修改外部变量，不能写日志，不能计数。只做一件事：判断。

4.3 FlatMap：一对多展平

FlatMap 是 Map 的升级版。它把一个元素变成零个、一个或多个元素。比例是 1 : N。

你想想看，如果每个用户有多条订单记录，你想把所有订单合并成一个流，Map 做不到——Map 只能返回一个元素。这时候 FlatMap 就派上用场了。

// 将每个用户的订单列表展平为订单流
List<Order> allOrders = users.stream()
    .flatMap(user -> user.getOrders().stream())
    .collect(Collectors.toList());

FlatMap 的典型场景包括：

• 拆分字符串（"a,b,c" → "a", "b", "c"）
• 展开嵌套集合
• 处理 Optional 值（flatMap 可以避免多层 Optional 嵌套）
• 异步调用的结果合并

4.4 Reduce：归约聚合

Reduce 把整个流「折叠」成一个值。它需要两个参数：初始值（identity）和累加器（accumulator）。

比例是 N : 1。

// 计算所有订单的总金额
BigDecimal total = orders.stream()
    .map(Order::getAmount)
    .reduce(BigDecimal.ZERO, BigDecimal::add);

Reduce 有三个重载版本：

版本	参数	返回值	适用场景
1	identity, accumulator	T（非空）	有默认值的聚合
2	accumulator	Optional<T>	流可能为空
3	identity, accumulator, combiner	U（类型转换）	并行流 + 类型转换

我记得有一次做实时交易统计，用 Reduce 做累加，结果发现并行流下结果不对。后来才意识到：Reduce 的累加器必须满足结合律。加法、乘法、最大值、最小值都没问题，但字符串拼接就不行——因为拼接不满足结合律。

4.5 Aggregate：分组聚合

Aggregate 在 Java Stream 里通常对应 Collectors.groupingBy 和 Collectors.toMap。它把流中的元素按某个键分组，然后对每组进行聚合操作。

比例是 N : M，其中 M 是分组数。

// 按用户 ID 分组，统计每个用户的订单总金额
Map<Long, BigDecimal> userTotal = orders.stream()
    .collect(Collectors.groupingBy(
        Order::getUserId,
        Collectors.mapping(
            Order::getAmount,
            Collectors.reducing(BigDecimal.ZERO, BigDecimal::add)
        )
    ));

Aggregate 的常见组合：

• groupingBy + counting：统计每个分组的元素个数
• groupingBy + summingInt：求和
• groupingBy + mapping + toList：收集每个分组下的字段列表
• partitioningBy：按布尔条件分成两组

4.6 算子对比与选型指南

为了方便你快速决策，我整理了一张对比表：

算子	输入:输出	核心作用	典型场景	常见坑
Map	1:1	类型转换、字段提取	DTO 转换、格式化	Map 里做 IO
Filter	N:M (M≤N)	条件筛选	数据过滤、空值排除	谓词有副作用
FlatMap	1:N	展平嵌套结构	集合展开、Optional 处理	忘记 stream()
Reduce	N:1	归约聚合	求和、求积、拼接	不满足结合律
Aggregate	N:M	分组聚合	分组统计、多维汇总	嵌套过深

4.7 算子组合实战：订单统计系统

光说不练假把式。我们来看一个完整的实战案例。

需求：从订单列表中，统计每个用户最近 30 天的有效订单总金额，并按金额降序排列。

// 1. 过滤：只保留最近 30 天且状态为 PAID 的订单
// 2. 分组：按用户 ID 分组
// 3. 聚合：计算每个用户的订单总金额
// 4. 排序：按金额降序
// 5. 收集：返回排序后的结果

LocalDate thirtyDaysAgo = LocalDate.now().minusDays(30);

List<UserOrderSummary> result = orders.stream()
    .filter(o -> o.getStatus() == OrderStatus.PAID)
    .filter(o -> o.getCreateDate().isAfter(thirtyDaysAgo))
    .collect(Collectors.groupingBy(
        Order::getUserId,
        Collectors.mapping(
            Order::getAmount,
            Collectors.reducing(BigDecimal.ZERO, BigDecimal::add)
        )
    ))
    .entrySet().stream()
    .map(e -> new UserOrderSummary(e.getKey(), e.getValue()))
    .sorted(Comparator.comparing(UserOrderSummary::getTotalAmount).reversed())
    .collect(Collectors.toList());

你看，这个例子一口气用到了 Filter、Map、Aggregate（groupingBy）、Reduce（reducing）、Map（entry 转对象）、排序。每个算子各司其职，组合起来就是一个完整的数据管道。

4.8 本章知识体系图

下面这张 SVG 图展示了五个算子的核心关系和数据流向：

从图中你可以看到：Map、Filter、FlatMap 是「串联」的流水线算子，每个元素依次经过；而 Reduce 和 Aggregate 是「终端」算子，它们把流收拢成一个或一组结果。

嗯，这一章的内容就到这里。五个算子，五种思维模式。你不需要一次性记住所有细节，但一定要理解它们的「输入输出比例」和「适用场景」。下次写数据流代码时，先问自己三个问题：

• 元素个数变不变？→ 不变用 Map，变少用 Filter，变多用 FlatMap
• 我要一个结果还是一组结果？→ 一个用 Reduce，一组用 Aggregate
• 我的操作有副作用吗？→ 有副作用就别用 Stream，老老实实写 for 循环

记住这三条，你就能避开 80% 的坑。