IntStream.boxed() vs for loop | Производительность

Question

Я писал фрагмент кода, в котором у меня была строка [], и метод, который принимает эту строку [], и возвращает Byte [], поддерживая пару строковых байт с положением, в котором некоторые из байтов могут быть пустыми. В конце концов, я должен преобразовать Byte и получить карту с ключом как строку из String [] и значение как возврат преобразования. Это, как я реализовал то же самое в Java 8 потоков:

IntStream.range(0, productReferences.length) 
      .filter(index -> (null!= productsPrice[index])).boxed() 
      .collect(Collectors.toMap(position -> productReferences[position], 
        position ->callSomeMethod(productsPrice[position]))); 

где productReference является String [] и продуктовОбработка [] является байт [] массив.

Теперь вопрос заключается в методе IntStream.boxed(). Внутри он помещает int в Integer так, чтобы он возвращал Stream, который, по моему мнению, является более дорогостоящей операцией.

Другой способ будет использовать Java для цикла

for(int i=0;i<productReferences.length; i++){ 
    if (productsPrice[index]==null) continue; 
    //other code 
} 

Каков наилучший способ обработки такого рода сценария? Я понимаю причину создания IntStream, но если я действительно могу иметь индекс в методе сбора без метода boxed(), тем самым избегая бокса?

Answer 1

Вы можете использовать операцию collect, которую у вас есть на IntStream, а не на бокс в Stream<Integer>.

IntStream.range(0, productReferences.length) 
     .filter(index -> productsPrice[index] != null) 
     .collect(
      HashMap::new, 
      (m, i) -> m.put(productReferences[i], callSomeMethod(productsPrice[i])), 
      Map::putAll 
     ); 

Это не будет боксировать каждый индекс в качестве Integer после потребительской части коллектора занимает ObjIntConsumer; поэтому i в коде выше int. As Holger noted, исходный код, используя Collectors.toMap, генерирует исключение в случае дубликатов ключей, когда эта версия будет перезаписывать значение.

Вам все равно нужно будет сравнить два решения на ваших реальных данных, чтобы узнать, улучшит ли это.