Masz listę zamówień i potrzebujesz wybrać te opłacone, zamienić je na kwoty, a potem policzyć sumę? Łańcuch operacji Stream API zwykle zapisuje taką transformację czytelniej niż pętla, ale przy skutkach ubocznych albo pracy równoległej łatwo o wynik inny, niż sugeruje sam kod.

Stream opisuje przepływ danych, a wynik powstaje przy operacji końcowej
- Źródło dostarcza elementy, a operacje pośrednie opisują ich filtrowanie lub przekształcanie.
- Operacja końcowa, taka jak
collectalbosum, uruchamia przetwarzanie i zwraca wynik. - Strumień jest jednorazowy; po operacji końcowej nie można go ponownie wykorzystać.
- Równoległość wymaga ostrożności, zwłaszcza gdy lambda modyfikuje współdzielony stan.
Strumień opisuje obliczenia, a nie przechowuje danych
Lista zamówień pozostaje listą, nawet gdy wywołujesz na niej stream(). Strumień to przepływ elementów przez kolejne operacje, a nie nowa kolekcja, którą można indeksować lub wielokrotnie przeglądać.
Typowy potok ma źródło, zero lub więcej operacji pośrednich i jedną operację końcową. filter wybiera elementy spełniające warunek, map przekształca każdy z nich, a collect zbiera wynik. Zwięzłość pomaga, pod warunkiem że każde ogniwo łańcucha ma jasną rolę.
List kwoty = zamowienia.stream()
.filter(Zamowienie::oplacone)
.map(Zamowienie::kwota)
.toList(); W tym przykładzie nie powstaje lista pośrednia po każdym kroku. Operacje pośrednie są leniwe, czyli opisują przetwarzanie, które ruszy dopiero wtedy, gdy potok otrzyma operację końcową. Ten szczegół wyjaśnia, czemu samo dopisanie filter nie oznacza jeszcze, że elementy zostały sprawdzone.
Filter zmniejsza zbiór, a map zmienia postać elementów
Najłatwiej czytać potok, pytając po każdym wywołaniu: ile elementów zostaje i jakiego są typu? filter może zmniejszyć liczbę elementów, ale zachowuje ich typ; map przekształca wartości, lecz sam w sobie nie służy do odrzucania elementów.
Załóżmy, że zamówienie ma status i kwotę. Najpierw można odsiać opłacone rekordy, a potem pobrać ich kwoty. Kolejność jest czytelna, bo odpowiada pytaniom biznesowym: „które zamówienia?” i „jaką wartość mam z nich wziąć?”. W oficjalnym przewodniku Dev.java o mapowaniu, filtrowaniu i redukcji te role są opisane właśnie jako osobne etapy transformacji.
Jeśli map ma zwracać kolejną kolekcję dla każdego elementu, prawdopodobnie potrzebujesz flatMap. Przykładowo, gdy każde zamówienie zawiera listę produktów, map(Zamowienie::produkty) tworzy strumień list, natomiast flatMap spłaszcza je do jednego strumienia produktów. To rozróżnienie często decyduje, czy dalsze filter bada produkt, czy całą listę.
Wybierz operację końcową według kształtu wyniku
Gdy potok jest już ułożony, decyzja o zakończeniu przesądza o typie wyniku. Do zebrania elementów służy collect lub w nowszym API także toList(); do obliczenia pojedynczej wartości pasuje count, min, max, sum albo reduce.
BigDecimal suma = zamowienia.stream()
.filter(Zamowienie::oplacone)
.map(Zamowienie::kwota)
.reduce(BigDecimal.ZERO, BigDecimal::add);Dla danych liczbowych typów obiektowych przydatne są mapToInt, mapToLong i mapToDouble. Przykładowo mapToInt(...).sum() pozwala uniknąć opakowywania wartości w obiekty Integer. W API istnieją też osobne typy IntStream, LongStream i DoubleStream; nie trzeba jednak zmieniać typu na siłę, jeśli utrudnia to dalsze przetwarzanie.
Do grupowania zamówień według statusu naturalnie pasuje Collectors.groupingBy, a do podziału na dwie kategorie według warunku - partitioningBy. reduce najlepiej zostawić do składania wartości w jedną całość, a kolekcjonery wybierać wtedy, gdy wynikiem ma być struktura, na przykład mapa kategorii i list.
Równoległy strumień nie naprawi kosztownego algorytmu
Dopisanie parallel() wygląda kusząco, gdy przetwarzanie trwa za długo. Nie gwarantuje jednak przyspieszenia: podział danych, synchronizacja lub łączenie częściowych wyników mogą kosztować więcej niż sama praca, szczególnie przy małym zbiorze albo lekkich obliczeniach.
Reguła wyboru: jeśli operacja dla elementu jest niezależna, kosztowna obliczeniowo, a źródło da się sprawnie podzielić, można przetestować wariant równoległy. Jeśli lambda zapisuje do wspólnej listy, licznik jest współdzielony albo wynik zależy od kolejności, zacznij od strumienia sekwencyjnego i przeprojektuj logikę zamiast dodawać parallel().
Dokumentacja pakietu java.util.stream w Java SE 26 odradza skutki uboczne w funkcjach przekazywanych do operacji strumieniowych. Przy równoległym wykonaniu kolejność wywołań funkcji dla elementów i wątków może zaskoczyć, nawet jeśli końcowy wynik zachowuje porządek źródła.
W praktyce zamiast forEach(x -> wspolnaLista.add(x)) użyj collect. Kolektor może bezpiecznie zebrać częściowe wyniki i połączyć je zgodnie z własnym kontraktem; ręczne dopisywanie do współdzielonej kolekcji przenosi problem bezpieczeństwa wątkowego na kod aplikacji.
Pięć pułapek, które łatwo przeoczyć w kodzie
Najczęstsze błędy nie wynikają ze składni, lecz z założenia, że strumień zachowuje się jak kolekcja albo zwykła pętla. Poniższa tabela wiąże objaw z przyczyną i działaniem, które pozwala szybko sprawdzić potok.
| Sytuacja | Prawdopodobna przyczyna | Co zrobić |
|---|---|---|
| Potok nic nie oblicza | Brakuje operacji końcowej | Dodaj np. toList(), count() albo sum(). |
| Druga operacja końcowa zgłasza błąd | Ten sam strumień został już zużyty | Zbuduj nowy strumień ze źródła lub zachowaj gotowy wynik. |
| Wynik sortowania albo działania wygląda na niestabilny | Kod zakłada porządek, którego źródło lub operacja nie gwarantuje | Sprawdź porządek napotkania i jawnie użyj sorted, jeśli jest potrzebny. |
Wynik sumowania int jest błędny dla dużych wartości |
Przepełnienie typu całkowitego | Rozważ mapToLong lub typ właściwy dla zakresu danych. |
Test z peek nie pokazuje każdego elementu |
Operacja końcowa może zakończyć pracę wcześniej lub optymalizacja pominąć niepotrzebne przetwarzanie | Nie używaj peek jako gwarantowanego mechanizmu logowania skutków ubocznych. |
Osobny haczyk kryje się w findFirst i findAny. Pierwsza metoda odnosi się do pierwszego elementu według porządku napotkania, o ile taki porządek istnieje; druga może zwrócić dowolny pasujący element i bywa użyteczna, gdy kolejność nie jest potrzebna.
Najpierw czytelny potok, potem pomiar
Stream API dobrze pasuje do przekształceń, filtrowania i agregacji, które da się opisać krótkim łańcuchem. Gdy logika wymaga wielu mutacji, wyjątków albo rozbudowanego sterowania przepływem, zwykła pętla może być łatwiejsza do sprawdzenia. Nie ma nagrody za zapisanie wszystkiego jako stream.
Uważam, że najlepszy potok to taki, w którym po jednym spojrzeniu wiadomo, co odrzucasz, co przekształcasz i jaki wynik zbierasz. Zacznij od wersji sekwencyjnej, dopasuj typ operacji końcowej, a równoległość rozważ dopiero po pomiarze na danych przypominających produkcyjne.
Jeśli wynik potoku ma być użyty ponownie, zachowaj kolekcję lub wartość zwróconą przez operację końcową, nie sam strumień. W ten sposób unikniesz częstego błędu: próby ponownego użycia jednorazowego źródła obliczeń.