Java8的lambda应该大家都比较熟悉了，这篇文章主要从源码层面探讨一下lambda的设计和实现。
先看下面的示例代码：
static class A {
@Getter
private String a;
@Getter
private Integer b;
public A(String a, Integer b) {
this.a = a;
this.b = b;
}
}
public static void main(String[] args) {
List<Integer> ret = Lists.newArrayList(new A("a", 1), new A("b", 2), new A("c", 3)).stream()
.map(A::getB)
.filter(b -> b >= 2)
.collect(Collectors.toList());
System.out.println(ret);
}
上面代码中，其实主要就是几步：
- ArrayList.stream
- .map
- .filter
- .collect
一步步来看，ArrayList.stream 实际调用的是Collector.stream方法：
default Stream<E> stream() {
return StreamSupport.stream(spliterator(), false);
}
spliterator()方法生成的是 IteratorSpliterator 对象，spliterator的意思就是可以split的iterator，这个主要是用于lambda中的parallelStream中的并行操作，上面的例子中由于调用的是stream，所以parallel=false。
StreamSupport.stream最后生成的是一个ReferencePipeline.Head对象：
public static <T> Stream<T> stream(Spliterator<T> spliterator, boolean parallel) {
Objects.requireNonNull(spliterator);
return new ReferencePipeline.Head<>(spliterator,
StreamOpFlag.fromCharacteristics(spliterator),
parallel);
}
Head类是从ReferencePipeline派生的，表示lambda的pipeline中的头节点。
有了这个Head对象之后，在它之上调用.map，实际上就是调用了基类ReferencePipeline.map方法：
public final <R> Stream<R> map(Function<super P_OUT, extends R> mapper) {
Objects.requireNonNull(mapper);
return new StatelessOp<P_OUT, R>(this, StreamShape.REFERENCE,
StreamOpFlag.NOT_SORTED | StreamOpFlag.NOT_DISTINCT) {
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
return new Sink.ChainedReference<P_OUT, R>(sink) {
@Override
public void accept(P_OUT u) {
downstream.accept(mapper.apply(u));
}
};
}
};
}
返回的是一个StatelessOp，表示一个无状态的算子，这个类也是ReferencePipeline的子类，可以看到它的构造函数，第一个参数this，表示把Head对象作为StatelessOp对象的upstream，也就是它的上游。StatelessOp.opWrapSink方法先不讲，后面会讲到。
接着调用StatelessOp.filter方法，也还是会回到ReferencePipeline.filter方法：
public final Stream<P_OUT> filter(Predicate<super P_OUT> predicate) {
Objects.requireNonNull(predicate);
return new StatelessOp<P_OUT, P_OUT>(this, StreamShape.REFERENCE,
StreamOpFlag.NOT_SIZED) {
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<P_OUT> sink) {
return new Sink.ChainedReference<P_OUT, P_OUT>(sink) {
@Override
public void begin(long size) {
downstream.begin(-1);
}
@Override
public void accept(P_OUT u) {
if (predicate.test(u))
downstream.accept(u);
}
};
}
};
}
可以看到，仍然生成的是一个StatelessOp对象，只是它的upstream变了而已。
最后调用StatelessOp.collect，继续回到ReferencePipeline.collect方法：
public final <R, A> R collect(Collector<super P_OUT, A, R> collector) {
A container;
if (isParallel()
&& (collector.characteristics().contains(Collector.Characteristics.CONCURRENT))
&& (!isOrdered() || collector.characteristics().contains(Collector.Characteristics.UNORDERED))) {
container = collector.supplier().get();
BiConsumer<A, super P_OUT> accumulator = collector.accumulator();
forEach(u -> accumulator.accept(container, u));
}
else {
container = evaluate(ReduceOps.makeRef(collector));
}
return collector.characteristics().contains(Collector.Characteristics.IDENTITY_FINISH)
(R) container
: collector.finisher().apply(container);
}
在前面几步，.map, .filter方法其实都只是创建StatelessOp对象，但是到collect就不一样了，了解spark/flink的就知道，collect其实是个action/sink，调用了collect，就会真实地触发这个stream上各个operator的执行。这也就是我们经常听到的lazy execution，所有的操作，只有碰到action的算子才会开始执行。
之前讲到这个stream的parallel=false，所以上面的实际执行逻辑是：
A container = evaluate(ReduceOps.makeRef(collector));
return collector.characteristics().contains(Collector.Characteristics.IDENTITY_FINISH)
(R) container
: collector.finisher().apply(container);
}
在进入evaluate方法之前，先看一下ReduceOps.makeRef(collector)，它实际上就是基于Collectors.toList生成的CollectorImpl实例包装了一层，返回了一个 TerminalOp对象（实际是ReduceOp）。
public static <T, I> TerminalOp<T, I>
makeRef(Collector<super T, I, ?> collector) {
Supplier<I> supplier = Objects.requireNonNull(collector).supplier();
BiConsumer<I, super T> accumulator = collector.accumulator();
BinaryOperator<I> combiner = collector.combiner();
class ReducingSink extends Box<I>
implements AccumulatingSink<T, I, ReducingSink> {
@Override
public void begin(long size) {
state = supplier.get();
}
@Override
public void accept(T t) {
accumulator.accept(state, t);
}
@Override
public void combine(ReducingSink other) {
state = combiner.apply(state, other.state);
}
}
return new ReduceOp<T, I, ReducingSink>(StreamShape.REFERENCE) {
@Override
public ReducingSink makeSink() {
return new ReducingSink();
}
@Override
public int getOpFlags() {
return collector.characteristics().contains(Collector.Characteristics.UNORDERED)
StreamOpFlag.NOT_ORDERED
: 0;
}
};
}
上面代码可以看到，基本也就是直接调用了collector的实现，稍微需要注意的是，ReducingSink从Box派生，Box的意思就是盒子，它里面有个state成员，表示一个计算的状态。ReducingSink就是通过这个state，进行combine, accumulate操作（实际就是一个List)。
回到evaluate方法，它实际调用了：
terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
这里this就是最后阶段的ReferencePipeline，即StatelessOp，这里我们称它为 ReferencePipeline$2，即经过两个算子操作的pipeline。
sourceSpliterator 则会取到sourceStage的spliterator，即最上面Head的spliterator。
ReduceOp.evaluateSequential：
public <P_IN> R evaluateSequential(PipelineHelper<T> helper,
Spliterator<P_IN> spliterator) {
return helper.wrapAndCopyInto(makeSink(), spliterator).get();
}
helper即ReferencePipeline$2，这里makeSink即上面返回的ReducingSink重载的方法。
ReferencePipeline.wrapAndCopyInto，在其父类AbstractPipeline中实现：
copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);
return sink;
wrapSink代码：
final <P_IN> Sink<P_IN> wrapSink(Sink<E_OUT> sink) {
Objects.requireNonNull(sink);
for ( @SuppressWarnings("rawtypes") AbstractPipeline p=AbstractPipeline.this; p.depth > 0; p=p.previousStage) {
sink = p.opWrapSink(p.previousStage.combinedFlags, sink);
}
return (Sink<P_IN>) sink;
}
可以看到，这里就是将pipeline从后至前，分别调用每个pipeline的opWrapSink方法，就是一个责任链的模式。opWrapSink可以看上面map的opWrapSink的filter的opWrapSink实现，map的很简单，直接调用mapper.apply，实际上就是A::getB方法，filter的也很简单，调用的是 predicate.test 方法。
接下来到copyInto方法，到这里才会有真正的执行逻辑：
final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
Objects.requireNonNull(wrappedSink);
if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
wrappedSink.begin(spliterator.getExactSizeIfKnown());
spliterator.forEachRemaining(wrappedSink);
wrappedSink.end();
}
else {
copyIntoWithCancel(wrappedSink, spliterator);
}
}
它会走入到这部分的逻辑中：
wrappedSink.begin(spliterator.getExactSizeIfKnown());
spliterator.forEachRemaining(wrappedSink);
wrappedSink.end();
这里面最重要的是就是中间这行了，由于spliterator持有的Collection引用，是ArrayList，因此它会调用ArrayList.forEachRemaining方法：
public void forEachRemaining(Consumer<super E> action) {
// ...
if ((i = index) >= 0 && (index = hi) <= a.length) {
for (; i < hi; ++i) {
@SuppressWarnings("unchecked") E e = (E) a[i];
action.accept(e);
}
if (lst.modCount == mc)
return;
}
// ...
这里的action参数，就是上面经过责任链封装的Sink（它也是Consumer的子类）。
而这里调用action.accept，就会通过责任链来一层层调用每个算子的accept，我们从map的accept开始：
@Override
Sink<P_OUT> opWrapSink(int flags, Sink<R> sink) {
return new Sink.ChainedReference<P_OUT, R>(sink) {
@Override
public void accept(P_OUT u) {
downstream.accept(mapper.apply(u));
}
};
}
可以看到，它先调用mapper.apply，然后把结果直接传给downstream.accept，也就是调用filter的accept，接着来到ReducingSink.accept，也就是往state中添加一个结果元素，这样forEach执行完之后，结果自然就有了。
看完上面的流程，接下来看一下lambda里面部分类设计，首先来看一下Stream，它的基类是BaseStream，提供以下接口：
public interface BaseStream<T, S extends BaseStream<T, S>>
extends AutoCloseable {
/**
* 返回stream中元素的迭代器
*/
Iterator<T> iterator();
/**
* 返回stream中元素的spliterator，用于并行执行
*/
Spliterator<T> spliterator();
/**
* 是否并行
*/
boolean isParallel();
/**
* 返回串行的stream，即强制parallel=false
*/
S sequential();
/**
* 返回并行的stream，即强制parallel=true
*/
S parallel();
// ...
}
直接继承此接口的，是如IntStream, LongStream，DoubleStream等，这些是在BaseStream基础上，提供了filter, map, mapToObj, distinct等算子的接口，但是这些算子，是限定类型的，如IntStream.filter, 它接受的就是 IntPredicate， 而不是常规的Predicate；map方法也是，接受的是 IntUnaryOperator。
IntStream, LongStream这些都是接口，也就是仅仅用来描述算子的。它们的实现都是基于Pipeline的，基类为 AbstractPipeline，它的几个关键成员变量：
/**
* 最顶上的pipeline，即Head
*/
private final AbstractPipeline sourceStage;
/**
* 直接上游pipeline
*/
private final AbstractPipeline previousStage;
/**
* 直接下游pipeline
*/
@SuppressWarnings("rawtypes")
private AbstractPipeline nextStage;
/**
* pipeline深度
*/
private int depth;
/**
* head的spliterator
*/
private Spliterator<?> sourceSpliterator;
// ...
这个基类还提供了pipeline的基础实现，以及对BaseStream和PipelineHelper接口的实现，如evaluate, sourceStageSpliterator, wrapAndCopyInto, wrapSink等。
类似地，从AbstractPipeline派生的子类有：IntPipeline, LongPipeline, DoublePipeline, ReferencePipeline等。前面三种比较容易理解，提供的是基于原始类型的lambda操作（且都实现了对应的XXStream接口），而ReferencePipeline提供的是基于对象的lambda操作。
类层次如下：
注意这些子类，也都是abstract的，每一种pipeline下面，都有Head, StatelessOp, StatefulOp三个子类。分别用于描述pipeline的头节点，无状态中间算子，有状态中间算子。
Head是非抽象类，StatelessOp也是抽象类，它在map、filter、mapToObj等算子中，会动态创建它的匿名子类，并实现opWrapSink方法。
通过这种设计，除了collect之外，所有算子的返回结果都是Stream的子类，在IntPipeline中，map, flatMap, filter等都返回IntStream，即使它们的实现可能是StatelessOp, Head等，都对外提供了统一的接口。同时由于lambda中每个算子的实现是动态的，如最上面例子中A::getB, b -> b>=2等，那就通过每个算子重载 opWrapSink 方法来动态封装这些逻辑。
同时，通过将XXStream和XXPipeline分开的设计，可以保持Stream接口的简洁（对用户透出的接口）。否则如果将BaseStream做成抽象类，将AbstractPipeline相关的逻辑移到这里面，会导致Stream变得非常臃肿，在API层面用户使用的时候也会很困惑。
创建Pipeline的地方，则统一收口到了StreamSupport类中，这是一个大的工厂类。虽然ArrayList, Arrays等类中都提供了stream的方法，但是最后都统一调用了StreamSupport里来创建Pipeline的实例，通常也就是创建 XXPipeline.Head对象，然后通过这个对象进行其他lambda算子的添加。
接下来看一个相对比较复杂的例子，双流concat的场景，代码如下：
static class Mapper1 implements IntUnaryOperator {
@Override
public int applyAsInt(int operand) {
return operand * operand;
}
}
static class Filter1 implements IntPredicate {
@Override
public boolean test(int value) {
return value >= 2;
}
}
static class Mapper2 implements IntUnaryOperator {
@Override
public int applyAsInt(int operand) {
return operand + operand;
}
}
static class Filter2 implements IntPredicate {
@Override
public boolean test(int value) {
return value >= 10;
}
}
static class Mapper3 implements IntUnaryOperator {
@Override
public int applyAsInt(int operand) {
return operand * operand;
}
}
static class Filter3 implements IntPredicate {
@Override
public boolean test(int value) {
return value >= 10;
}
}
public static void main(String[] args) {
IntStream s1 = Arrays.stream(new int[] {1, 2, 3})
.map(new Mapper1())
.filter(new Filter1());
IntStream s2 = Arrays.stream(new int[] {4, 5, 6})
.map(new Mapper2())
.filter(new Filter2());
IntStream s3 = IntStream.concat(s1, s2)
.map(new Mapper3())
.filter(new Filter3());
int sum = s3.sum();
}
上面代码中，先分别创建两个IntStream：s1, s2。然后进行concat操作，生成s2，最后调用sum操作做reduce。
代码分析还是从sink开始，reduce跟前面的collect类似，实际会基于s3这个stream, 在AbstractPipeline.evaluate方法中执行：
terminalOp.evaluateSequential(this, sourceSpliterator(terminalOp.getOpFlags()));
这里terminalOp即为sum这个ReduceOp，sourceSpliterator为Streams.ConcatSpliterator，也即调用s3这个pipeline的wrapAndCopyInto方法：
final <P_IN, S extends Sink<E_OUT>> S wrapAndCopyInto(S sink, Spliterator<P_IN> spliterator) {
copyInto(wrapSink(Objects.requireNonNull(sink)), spliterator);
return sink;
}
这里的wrapSink，就会将s3中的算子与最后的reduce串在一起，大致如下：
Head(concated s1 + s2 stream) -> Mapper3 -> Filter3 -> ReduceOp(sum)
到目前为止，我们还只看到s3的逻辑，那么s1和s2两个stream的mapper和filter逻辑在哪里呢，接着看下面的copyInto方法：
final <P_IN> void copyInto(Sink<P_IN> wrappedSink, Spliterator<P_IN> spliterator) {
Objects.requireNonNull(wrappedSink);
if (!StreamOpFlag.SHORT_CIRCUIT.isKnown(getStreamAndOpFlags())) {
wrappedSink.begin(spliterator.getExactSizeIfKnown());
spliterator.forEachRemaining(wrappedSink);
wrappedSink.end();
// ...
上面讲到，这里的spliterator是Streams.ConcatSpliterator对象，看下Streams.ConcatSpliterator.forEachRemaining实现：
public void forEachRemaining(Consumer<super T> consumer) {
if (beforeSplit)
aSpliterator.forEachRemaining(consumer);
bSpliterator.forEachRemaining(consumer);
}
这里就区分出了两个不同的流，对每个流的spliterator分别调用forEachRemaining方法，这里的spliterator是IntWrappingSpliterator, 它是对s1/s2的一个封装，它有两个关键成员：
// 包装的原始pipeline
final PipelineHelper<P_OUT> ph;
// 原始pipeline的spliterator
Spliterator<P_IN> spliterator;
所以就走到了 IntWrappingSpliterator.foreachMaining方法中：
public void forEachRemaining(IntConsumer consumer) {
if (buffer == null && !finished) {
Objects.requireNonNull(consumer);
init();
ph.wrapAndCopyInto((Sink.OfInt) consumer::accept, spliterator);
finished = true;
}
// ...
可以看到，又调用了原始pipeline的wrapAndCopyInto方法中，而这里的consumer即为上面s3的逻辑。这样又递归回到了AbstractPipeline.wrapAndCopyInto -> AbstractPipeline.wrapSink
-> AbstractPipeline.copyInto方法中，而在这时的wrapSink中，现在的pipeline就是s1/s2了，这时就会对s1/s2下面的所有算子，调用AbstractPipeline.opWrapSink串联起来，以s1为例就变成：
Head(array[1,2,3]) -> Mapper1 -> Filter1 -> Mapper3 -> Filter3 -> ReduceOp(sum)
这样s1流跟s3流就串起来执行完成了，然后就是s2和s3流串起来执行。