Java Stream的distinct去重原理分析

 更新时间:2025年06月22日 11:32:37   作者:潜意识Java  
Java stream中的distinct方法用于去除流中的重复元素,它返回一个包含过滤后唯一元素的新流,该方法会根据元素的hashcode和equals方法来判断是否为重复元素,本文给大家详细分析了Java Stream的distinct去重原理,需要的朋友可以参考下

一、distinct 的基础用法与核心特性

distinct()是 Stream API 中的有状态中间操作,用于移除流中的重复元素,其底层依赖元素的hashCode()equals()方法。用法示例:

List<Integer> numbers = Arrays.asList(1, 2, 2, 3, 4, 4);
List<Integer> unique = numbers.stream()
    .distinct()
    .collect(Collectors.toList());  // [1, 2, 3, 4]

核心特性

  • 去重逻辑基于元素的唯一性标识,而非内存地址;
  • 保持元素首次出现的顺序;
  • 属于有状态操作,处理过程中需维护已出现元素的集合。

二、distinct 的底层实现原理

1. 顺序流中的去重实现

顺序流中,distinct()通过HashSet存储已处理元素,流程如下:

  • 遍历流中的每个元素;
  • 对每个元素计算hashCode(),检查HashSet中是否存在相同哈希值的元素;
  • 若存在,进一步通过equals()比较内容,相同则过滤;
  • 若不存在,将元素添加到HashSet并保留在流中。

源码关键片段(JDK 17):

// ReferencePipeline.java
public final Stream<P_OUT> distinct() {
    return new DistinctOps<P_OUT, P_OUT>(this);
}
 
// DistinctOps.java
@Override
public void accept(P_OUT t) {
    if (set.add(t)) {  // 调用HashSet的add方法,返回false表示重复
        down.accept(t);
    }
}

2. 并行流中的去重优化

并行流中,distinct()使用ConcurrentHashMap或分段处理提升性能:

  • 将流分割为多个子任务,每个子任务维护独立的HashSet
  • 子任务处理完成后,合并所有HashSet的结果;
  • 合并时使用HashMap去重,避免并发冲突。

并行处理示意图

+----------------+     +----------------+     +----------------+
|  子任务1: HashSet |---->|  子任务2: HashSet |---->|  合并阶段: HashMap |
|  存储元素A,B,C   |     |  存储元素B,D,E   |     |  最终结果A,B,C,D,E |
+----------------+     +----------------+     +----------------+

三、去重逻辑的核心依赖:hashCode 与 equals

1. 自定义对象的去重规则

若需对自定义对象去重,必须正确重写hashCode()equals()

class User {
    private String id;
    private String name;
    
    @Override
    public int hashCode() {
        return Objects.hash(id);  // 仅用id计算哈希值
    }
    
    @Override
    public boolean equals(Object o) {
        if (this == o) return true;
        if (o == null || getClass() != o.getClass()) return false;
        User user = (User) o;
        return Objects.equals(id, user.id);  // 仅比较id
    }
    // 其他方法省略
}
 
// 使用示例
List<User> users = Arrays.asList(
    new User("1", "Alice"),
    new User("1", "Bob"),  // id相同,会被去重
    new User("2", "Charlie")
);
List<User> uniqueUsers = users.stream()
    .distinct()
    .collect(Collectors.toList());  // 保留两个用户

2. 常见误区:仅重写 equals 不重写 hashCode

若只重写equals,会导致去重失效,因为HashSet首先通过hashCode判断元素是否存在:

class ErrorUser {
    private String id;
    // 错误:未重写hashCode
    @Override
    public boolean equals(Object o) {
        // 正确实现equals...
    }
}
// 使用distinct时,两个id相同的ErrorUser可能因hashCode不同被视为不同元素

四、distinct 的性能影响与优化策略

1. 性能损耗的主要原因

  • 内存占用:需存储所有已出现元素,大数据集可能导致 OOM;
  • 哈希计算开销:每个元素需计算hashCode并进行哈希表查找;
  • 并行流的合并开销:多线程环境下的集合合并操作耗时。

2. 大数据集的去重优化

  • 预排序 + 相邻去重:对有序流使用distinct()效率更高,因重复元素相邻时哈希表查找次数减少
// 优化前:无序流去重
List<Integer> randomData = getRandomNumbers(1000000);
randomData.stream().distinct().count();  // 全量哈希表查找
 
// 优化后:先排序再去重
randomData.stream()
    .sorted()
    .distinct()
    .count();  // 相邻重复元素只需一次比较
  • 使用 Primitive Stream 减少装箱
// 低效:对象流装箱
Stream<Integer> boxedStream = data.stream().distinct();
 
// 高效:IntStream直接操作
IntStream primitiveStream = data.stream().mapToInt(Integer::intValue).distinct();
  • 分块处理大集合:避免一次性加载所有元素到内存
// 分块去重示例
int chunkSize = 100000;
List<Integer> result = new ArrayList<>();
for (int i = 0; i < data.size(); i += chunkSize) {
    int end = Math.min(i + chunkSize, data.size());
    List<Integer> chunk = data.subList(i, end);
    result.addAll(chunk.stream().distinct().collect(Collectors.toList()));
}
// 最后再去重一次合并结果
List<Integer> finalResult = result.stream().distinct().collect(Collectors.toList());

3. 并行流去重的参数调优

通过自定义Spliterator控制分块大小,减少合并开销:

class EfficientSpliterator implements Spliterator<Integer> {
    private final List<Integer> list;
    private int index;
    private static final int CHUNK_SIZE = 10000;  // 分块大小
    
    public EfficientSpliterator(List<Integer> list) {
        this.list = list;
        this.index = 0;
    }
    
    @Override
    public Spliterator<Integer> trySplit() {
        int size = list.size() - index;
        if (size < CHUNK_SIZE) return null;
        int splitPos = index + size / 2;
        Spliterator<Integer> spliterator = 
            new EfficientSpliterator(list.subList(index, splitPos));
        index = splitPos;
        return spliterator;
    }
    // 其他方法省略...
}
 
// 使用示例
List<Integer> data = ...;
Stream<Integer> optimizedStream = StreamSupport.stream(
    new EfficientSpliterator(data), true);  // 启用并行

五、特殊场景的去重方案

1. 基于部分属性的去重

若需根据对象的部分属性去重(而非全部属性),可结合mapcollect

class Product {
    private String id;
    private String name;
    private double price;
    // 构造器、getter省略
}
 
// 按id去重
List<Product> uniqueProducts = products.stream()
    .collect(Collectors.collectingAndThen(
        Collectors.toMap(Product::getId, p -> p, (p1, p2) -> p1),
        map -> new ArrayList<>(map.values())
    ));

2. 去重并保留最新元素

在日志等场景中,需按时间戳去重并保留最新记录:

class LogEntry {
    private String message;
    private long timestamp;
    // 构造器、getter省略
}
 
List<LogEntry> latestLogs = logs.stream()
    .collect(Collectors.toMap(
        LogEntry::getMessage, 
        entry -> entry, 
        (oldEntry, newEntry) -> newEntry.getTimestamp() > oldEntry.getTimestamp() 
            ? newEntry : oldEntry
    ))
    .values()
    .stream()
    .collect(Collectors.toList());

3. 模糊去重(非精确匹配)

如需基于相似度去重(如字符串编辑距离),需自定义去重逻辑:

List<String> fuzzyUnique = strings.stream()
    .filter(s -> !strings.stream()
        .anyMatch(t -> s != t && levenshteinDistance(s, t) < 2))
    .collect(Collectors.toList());

六、性能对比:distinct 与其他去重方式

去重方式大数据集性能内存占用实现复杂度适用场景
Stream.distinct()高(存储所有元素)通用去重
先排序 + 相邻去重有序数据去重
HashSet 直接去重简单集合去重
分块去重超大数据集去重

总结

distinct()作为 Stream API 中的基础操作,其核心去重逻辑依赖于hashCode()equals()的正确实现,而性能优化的关键在于:

  • 数据有序性利用:先排序再去重可减少哈希表查找次数;
  • 内存占用控制:对大数据集采用分块处理,避免一次性存储所有元素;
  • 基础类型优化:使用IntStream等避免装箱损耗;
  • 并行处理调优:通过自定义Spliterator控制分块大小,减少合并开销。

理解distinct()的底层实现原理,不仅能避免自定义对象去重时的常见错误,更能在处理大规模数据时选择合适的优化策略。记住:去重操作的本质是空间与时间的权衡,根据具体业务场景(数据规模、有序性、精确性要求)选择最优方案,才能实现性能与功能的平衡。

以上就是Java Stream的distinct去重原理分析的详细内容,更多关于Java Stream distinct去重的资料请关注脚本之家其它相关文章!

相关文章

  • 浅谈SpringBoot 中关于自定义异常处理的套路

    浅谈SpringBoot 中关于自定义异常处理的套路

    这篇文章主要介绍了浅谈SpringBoot 中关于自定义异常处理的套路,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一起学习学习吧
    2019-04-04
  • 使用StringRedisTemplate操作Redis方法详解

    使用StringRedisTemplate操作Redis方法详解

    这篇文章主要为大家介绍了使用StringRedisTemplate操作Redis方法详解,有需要的朋友可以借鉴参考下,希望能够有所帮助,祝大家多多进步,早日升职加薪
    2023-08-08
  • Spring事件监听器ApplicationListener源码详解

    Spring事件监听器ApplicationListener源码详解

    这篇文章主要介绍了Spring事件监听器ApplicationListener源码详解,ApplicationEvent以及Listener是Spring为我们提供的一个事件监听、订阅的实现,内部实现原理是观察者设计模式,需要的朋友可以参考下
    2023-05-05
  • springmvc不进入Controller导致404的问题

    springmvc不进入Controller导致404的问题

    这篇文章主要介绍了springmvc不进入Controller导致404的问题,具有很好的参考价值,希望对大家有所帮助。如有错误或未考虑完全的地方,望不吝赐教
    2022-02-02
  • IntelliJ IDEA设置豆沙绿护眼色背景的详细步骤

    IntelliJ IDEA设置豆沙绿护眼色背景的详细步骤

    在长时间的编码工作中,屏幕蓝光和刺眼的背景色容易导致视觉疲劳,甚至引发干眼症等问题,豆沙绿作为一种低饱和度、柔和的浅绿色,因其接近自然植物的色调,被广泛认为是缓解眼睛疲劳的理想选择,所以本文给大家介绍了IntelliJ IDEA设置豆沙绿护眼色背景的详细步骤
    2025-06-06
  • 2021年最新Redis面试题汇总(1)

    2021年最新Redis面试题汇总(1)

    在程序员面试过程中redis相关的知识是常被问到的话题。这篇文章主要介绍了几道Redis面试题,整理一下分享给大家,感兴趣的小伙伴们可以参考一下
    2021-07-07
  • Java 字符串拼接竟然有这么多姿势(收藏版)

    Java 字符串拼接竟然有这么多姿势(收藏版)

    这篇文章主要介绍了Java 字符串拼接竟然有这么多姿势,很值得大家收藏,需要的朋友可以参考下
    2019-11-11
  • Mybatis-Plus中resultType的使用及说明

    Mybatis-Plus中resultType的使用及说明

    MyBatis中resultType用于指定查询结果的返回类型,可以是JavaBean、实体类或基本类型如String,此外,MyBatis还支持将查询结果封装成Map,单条数据时可以将{表字段名,结果值}封装到Map中,多条数据时可以将{表中某一字段名,JavaBean}方式封装到Map中
    2025-12-12
  • 深入了解为什么Java中只有值传递?

    深入了解为什么Java中只有值传递?

    这篇文章主要介绍了为什么 Java 中只有值传递?下面我们来简单了解一下吧
    2019-05-05
  • Java实现的各种排序算法(插入排序、选择排序算法、冒泡排序算法)

    Java实现的各种排序算法(插入排序、选择排序算法、冒泡排序算法)

    本文是小编给大家带来的java各种排序算法知识,包括插入排序、选择排序算法、冒泡排序算法,代码简单易懂,需要的朋友可以参考下
    2016-08-08

最新评论