問題
當下網際網路技術成熟，越來越多的趨向去中心化、分布式、流計算，使得很多以前在資料庫側做的事情放到了Java端。今天有人問道，如果資料庫字段沒有索引，那麼應該如何根據該字段去重？大家都一緻認為用Java來做，但怎麼做呢？
解答
忽然想起以前寫過list去重的文章，找出來一看。做法就是将list中對象的hashcode和equals方法重寫，然後丢到HashSet裡，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，面過号稱做了3年Java的人，問Set和HashMap的差別可以背出來，問如何實作就不知道了。也就是說，初學者隻背特性。但真正在項目中使用的時候你需要確定一下是不是真的這樣。因為背書沒用，隻能相信結果。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着和曆史資料比較，都不相同則插入隊尾。而HashSet隻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")); 目标是取出id不重複的user，為了防止扯皮，給個規則，隻要任意取出id唯一的資料即可，不用拘泥id相同時算哪個。
用最直覺的辦法
這個辦法就是用一個空list存放周遊後的資料。
@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，那麼是如何去重的呢？ 再深入一點的背過根據hashcode和equals方法。那麼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來實作的(沒有看過源碼的時候曾經一直直覺的以為HashMap的key是HashSet來實作的，恰恰相反)。這裡不展開叙述，隻要看HashSet的構造方法和add方法就能了解了。
public HashSet() {
map = new HashMap<>();
}
/**
* 顯然，存在則傳回false，不存在的傳回true
*/
public boolean add(E e) {
return map.put(e, PRESENT)==null;
} 那麼，由此也可以看出HashSet的去重複就是根據HashMap實作的，而HashMap的實作又完全依賴于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，那麼，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，内容如上述所示。乘以31等于x<<5-x。
最終實作如下：
@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，之是以提這個問題是因為想要将資料庫側去重拿到Java端，那麼資料量可能比較大，比如10w條。對于大資料，采用Stream相關函數是最簡單的了。正好Stream也提供了distinct函數。那麼應該怎麼用呢？
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标注了去重标準：
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傳回true的時候，hashcode的傳回值必須相同. 這個在背的時候略微有些邏輯混亂，但隻要了解了HashMap的實作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。
是以，要使用distinct來實作去重，必須重寫hashcode和equals方法，除非你使用預設的。
那麼，究竟為啥要這麼做？點進去看一眼實作。
<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));
} 内部是用reduce實作的啊，想到reduce，瞬間想到一種自己實作distinctBykey的方法。我隻要用reduce，計算部分就是把Stream的元素拿出來和我自己内置的一個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，如果是并行stream，則取出來的不一定是第一個，而是随機的。
上述方法是至今發現最好的，無侵入性的。但如果非要用distinct。隻能像HashSet那個方法一樣重寫hashcode和equals。
小結
會不會用這些東西，你隻能去自己練習過，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，了解規則和實作原理也是必須的。比如，LinkedHashSet和HashSet的實作有何不同。
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);
}
}
關注我的公衆号
唯有不斷學習方能改變！
--
Ryan Miao