每天學習一點點 編程PDF電子書、視頻教程免費下載：
http://www.shitanlife.com/code

問題

當下互聯網技術成熟，越來越多的趨向去中心化、分布式、流計算，使得很多以前在數據庫側做的事情放到了Java端。今天有人問道，如果數據庫字段沒有索引，那麽應該如何根據該字段去重？大家都一致認為用Java來做，但怎麽做呢？

解答

忽然想起以前寫過list去重的文章，找出來一看。做法就是將list中對象的hashcode和equals方法重寫，然後丟到HashSet裏，然後取出來。這是最初剛學Java的時候像被字典一樣背寫出來的答案。就比如面試，面過號稱做了3年Java的人，問Set和HashMap的區別可以背出來，問如何實現就不知道了。也就是說，初學者只背特性。但真正在項目中使用的時候你需要確保一下是不是真的這樣。因為背書沒用，只能相信結果。你需要知道HashSet如何幫我做到去重了。換個思路，不用HashSet可以去重嗎？最簡單，最直接的辦法不就是每次都拿著和歷史數據比較，都不相同則插入隊尾。而HashSet只是加速了這個過程而已。

首先，給出我們要排序的對象User

@Data
@Builder
@AllArgsConstructor
public class User {

  private Integer id;
  private String name;
}


List<User> users = Lists.newArrayList(
        new User(1, "a"),
        new User(1, "b"),
        new User(2, "b"),
        new User(1, "a"));

目標是取出id不重復的user，為了防止扯皮，給個規則，只要任意取出id唯一的數據即可，不用拘泥id相同時算哪個。

用最直觀的辦法

這個辦法就是用一個空list存放遍歷後的數據。

@Test
public void dis1() {
    List<User> result = new LinkedList<>();
    for (User user : users) {
      boolean b = result.stream().anyMatch(u -> u.getId().equals(user.getId()));
      if (!b) {
        result.add(user);
      }
    }

    System.out.println(result);
}
 

用HashSet

背過特性的都知道HashSet可以去重，那麽是如何去重的呢？ 再深入一點的背過根據hashcode和equals方法。那麽如何根據這兩個做到的呢？沒有看過源碼的人是無法繼續的，面試也就到此結束了。

事實上，HashSet是由HashMap來實現的(沒有看過源碼的時候曾經一直直觀的以為HashMap的key是HashSet來實現的，恰恰相反)。這裏不展開敘述，只要看HashSet的構造方法和add方法就能理解了。

public HashSet() {
    map = new HashMap<>();
}

/**
* 顯然，存在則返回false，不存在的返回true
*/
public boolean add(E e) {
    return map.put(e, PRESENT)==null;
}

那麽，由此也可以看出HashSet的去重復就是根據HashMap實現的，而HashMap的實現又完全依賴於hashcode和equals方法。這下就徹底打通了，想用HashSet就必須看好自己的這兩個方法。

在本題目中，要根據id去重，那麽，我們的比較依據就是id了。修改如下：

@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);
}

@Override
public int hashCode() {
    return Objects.hash(id);
}


//hashcode
result = 31 * result + (element == null ? 0 : element.hashCode());

其中， Objects調用Arrays的hashcode，內容如上述所示。乘以31等於x<<5-x。

最終實現如下：

@Test
public void dis2() {
    Set<User> result = new HashSet<>(users);
    System.out.println(result);
}

使用Java的Stream去重

回到最初的問題，之所以提這個問題是因為想要將數據庫側去重拿到Java端，那麽數據量可能比較大，比如10w條。對於大數據，采用Stream相關函數是最簡單的了。正好Stream也提供了distinct函數。那麽應該怎麽用呢？

users.parallelStream().distinct().forEach(System.out::println);

沒看到用lambda當作參數，也就是沒有提供自定義條件。幸好Javadoc標註了去重標準：

Returns a stream consisting of the distinct elements
(according to {@link Object#equals(Object)}) of this stream.

我們知道，也必須背過這樣一個準則：equals返回true的時候，hashcode的返回值必須相同. 這個在背的時候略微有些邏輯混亂，但只要了解了HashMap的實現方式就不會覺得拗口了。HashMap先根據hashcode方法定位，再比較equals方法。

所以，要使用distinct來實現去重，必須重寫hashcode和equals方法，除非你使用默認的。

那麽，究竟為啥要這麽做？點進去看一眼實現。

<P_IN> Node<T> reduce(PipelineHelper<T> helper, Spliterator<P_IN> spliterator) {
    // If the stream is SORTED then it should also be ORDERED so the following will also
    // preserve the sort order
    TerminalOp<T, LinkedHashSet<T>> reduceOp
            = ReduceOps.<T, LinkedHashSet<T>>makeRef(LinkedHashSet::new, LinkedHashSet::add,
                                                     LinkedHashSet::addAll);
    return Nodes.node(reduceOp.evaluateParallel(helper, spliterator));
}

內部是用reduce實現的啊，想到reduce，瞬間想到一種自己實現distinctBykey的方法。我只要用reduce，計算部分就是把Stream的元素拿出來和我自己內置的一個HashMap比較，有則跳過，沒有則放進去。其實，思路還是最開始的那個最直白的方法。

@Test
public void dis3() {
    users.parallelStream().filter(distinctByKey(User::getId))
        .forEach(System.out::println);
}


public static <T> Predicate<T> distinctByKey(Function<? super T, ?> keyExtractor) {
    Set<Object> seen = ConcurrentHashMap.newKeySet();
    return t -> seen.add(keyExtractor.apply(t));
}

當然，如果是並行stream，則取出來的不一定是第一個，而是隨機的。

上述方法是至今發現最好的，無侵入性的。但如果非要用distinct。只能像HashSet那個方法一樣重寫hashcode和equals。

小結

會不會用這些東西，你只能去自己練習過，不然到了真正要用的時候很難一下子就拿出來，不然就冒險用。而若真的想大膽使用，了解規則和實現原理也是必須的。比如，LinkedHashSet和HashSet的實現有何不同。

附上賊簡單的LinkedHashSet源碼：

public class LinkedHashSet<E>
    extends HashSet<E>
    implements Set<E>, Cloneable, java.io.Serializable {

    private static final long serialVersionUID = -2851667679971038690L;

    public LinkedHashSet(int initialCapacity, float loadFactor) {
        super(initialCapacity, loadFactor, true);
    }

    public LinkedHashSet(int initialCapacity) {
        super(initialCapacity, .75f, true);
    }

    public LinkedHashSet() {
        super(16, .75f, true);
    }

    public LinkedHashSet(Collection<? extends E> c) {
        super(Math.max(2*c.size(), 11), .75f, true);
        addAll(c);
    }

    @Override
    public Spliterator<E> spliterator() {
        return Spliterators.spliterator(this, Spliterator.DISTINCT | Spliterator.ORDERED);
    }
}

Java中對List去重, Stream去重