1. Java函数式编程入门
1.1 函数式编程的核心概念
在理解Java函数式编程之前，先认识它的核心理念：把计算抽象为对数据的映射、过滤和聚合，强调数据的流动和变换过程，而不是逐步修改状态。不可变性与纯函数是实现可预测性的关键原则。
在Java生态里，函数式编程不是要抛弃面向对象，而是通过<函数式接口和流式操作，将一些常见操作以更抽象、可组合的方式表达。Lambda表达式让你以简洁的方式传递行为。
掌握函数式编程的第一步，就是知道哪些工具是Java提供的：Function、Predicate、Consumer、Supplier等内置函数式接口，配合方法引用，可以把复杂逻辑拆解成简单的组合。
// 一个简单的Function示例：将输入整数加倍
Function<Integer, Integer> doubler = x -> x * 2;
int result = doubler.apply(5); // 10
1.2 Lambda表达式的语法与用法
Lambda表达式是简化写法的核心，箭头符号 -> 将行为参数化，使得函数式接口的实现变得直观。上下文推断会根据目标类型推断参数和返回值类型，减少冗余代码。
在实际开发中，你会经常看到匿名函数替代的场景，例如在集合的遍历、过滤、排序等操作中。简短、可读性强的Lambda表达式可以显著提升开发效率。
List<String> names = Arrays.asList("Alice", "Bob", "Charlie");
Collections.sort(names, (a, b) -> a.length() - b.length());
// names 变为 ["Bob", "Alice", "Charlie"]
2. 从Lambda到方法引用与流处理的过渡
2.1 匿名函数与方法引用的对比
在函数式编程中，方法引用是对Lambda的一种简化表达，它可以让代码更加整洁易懂。与直接写 Lambda 相比，方法引用直接指向已有的方法实现，减少模板化代码。
把常见的逻辑封装为一个方法，然后通过对象名::实例方法名或 类名::静态方法名 的形式引用，可以实现高效的组合。
List<String> lines = Arrays.asList("a", "bb", "ccc");
lines.stream().map(String::length) // 使用方法引用.forEach(System.out::println);
2.2 函数式接口与Java内置接口
Java 标准库提供的 java.util.function 包覆盖了常见的函数式模式：Function、Predicate、Consumer、Supplier。这四类接口支持组合、链式调用，是构建复杂逻辑的基础。
理解它们的类型参数与返回值含义，可以在组合操作中减少显式的中间变量，提升代码表达力。
Predicate<Integer> isPositive = x -> x > 0;
Function<String, Integer> len = String::length;
Consumer<String> printer = System.out::println;
Supplier<Random> randSupplier = Random::new;
3. Stream API入门与常用操作
3.1 流的创建与中间操作
Stream API 提供一个强大而灵活的流水线式数据处理能力，通过懒加载和链式调用实现惰性求值。你可以从集合、数组甚至生成器创建流，用中间操作逐步组合出复杂的数据处理逻辑。
在设计流水线时，尽量将变换分解为小的步骤，并利用 map、filter、flatMap、distinct、sorted 等中间操作来表达意图。
List<String> words = Arrays.asList("apple", "banana", "avocado", "berry");
List<String> startsWithA = words.stream().filter(s -> s.startsWith("a")).map(String::toUpperCase).collect(Collectors.toList());
3.2 终端操作与聚合
终端操作会触发流水线的执行，并产生实际的结果。聚合操作是常见的要点，包括收集、计数、判断、分组等。
在组合时，collect(Collectors.toList()) 之类的收集器可以把结果从流终止出去，方便后续处理。短路操作如 anyMatch、allMatch、noneMatch也常用于条件评估。
List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5);
int sum = numbers.stream().filter(n -> n % 2 == 0).mapToInt(Integer::intValue).sum();
boolean anyOverTen = numbers.stream().anyMatch(n -> n > 10);
4. 实战案例：从数据筛选到汇总
4.1 情景：用户数据的过滤与映射
在实际业务中，常需要从庞大数据集中筛选出符合条件的记录，并将其转换为更易处理的结构。使用流式处理可以实现可读性高、扩展性好的代码。
设定一个场景：从用户列表中筛选活跃且年龄在18到30岁之间的用户，并提取姓名列表。链式调用表达意图清晰，且便于后续扩展。
class User {String name;int age;boolean active;// 构造、getter/setter 略
}List<User> users = // 获取数据源
List<String> activeYoungNames = users.stream().filter(u -> u.isActive() && u.getAge() >= 18 && u.getAge() <= 30).map(User::getName).collect(Collectors.toList());
4.2 聚合与分组统计
除了简单筛选，常见的需求还包括聚合、分组统计等。groupingBy、counting、summarizing 等收集器能够把数据转化为结构化汇总结果。
通过一个简短的示例，展示如何按年龄段分组并统计人数。结构化输出便于前端显示，也利于后续分析。
Map<Integer, Long> countByAge = users.stream().collect(Collectors.groupingBy(User::getAge, Collectors.counting()));Map<String, Integer> nameLengthStats = users.stream().collect(Collectors.toMap(User::getName, u -> u.getName().length()));
5. 性能与并发中的函数式编程
5.1 并行流的使用与风险
为了提升大数据量处理的吞吐量，可以使用 parallelStream 将流水线并行化。但并行并非万金油，数据竞争与副作用需要谨慎处理。
在设计并行计算时，避免可变共享状态，尽量让每个任务只操作局部数据。只有在确实没有副作用的场景下，才考虑使用并行流。
List<Integer> nums = IntStream.rangeClosed(1, 1_000_000).boxed().collect(Collectors.toList());
long cnt = nums.parallelStream().filter(n -> n % 2 == 0).count();
5.2 顺序流 vs 并行流的性能要点
在选择顺序流还是并行流时，要考虑数据规模、计算成本与排序需求。对于小数据量、低成本操作，顺序流往往更高效；而对大规模数据或计算密集型任务，并行化可以显著提升性能，但需要避免过度分片导致的开销。
此外，短路和顺序依赖会影响并行流的行为，务必在设计时进行彻底测试。
List<String> lines = Arrays.asList("alpha", "beta", "gamma", "delta");
String firstUpper = lines.parallelStream().filter(s -> s.length() > 4).findFirst().orElse("default");
