Java Stream词频统计：多规则排序实现与代码优化

需求规则 #

• 过滤长度小于4字符的单词
• 过滤出现频次小于10次的单词
• 排序规则：优先按词频从高到低排序，词频相同则按单词字母升序排序
• 禁止修改方法入参List<String> lines

原代码问题 #

• 排序逻辑不完整：仅实现词频倒序，同词频场景下未按字母顺序排序，thenComparing方法因类型推断问题未生效
• 流操作冗余：累计使用3次独立Stream流，且存在无意义的预排序、中间Map存储等性能损耗
• （隐藏问题）直接调用lines.toString()会带入List自带的格式字符（方括号、元素分隔逗号），存在统计误差

优化后实现代码 #

import java.util.*;
import java.util.stream.Collectors;

public class Words {

    public String countWords(List<String> lines) {
        // 按空格拼接所有行文本，避免List.toString()引入的格式字符
        String fullText = String.join(" ", lines);
        String[] words = fullText.split("(?U)\\W+");

        return Arrays.stream(words)
                // 统一转小写后分组统计词频，移除原实现无意义的预排序操作
                .collect(Collectors.groupingBy(String::toLowerCase, Collectors.counting()))
                .entrySet()
                .stream()
                // 按规则过滤不符合要求的单词
                .filter(entry -> entry.getKey().length() >= 4)
                .filter(entry -> entry.getValue() >= 10)
                // 组合排序：先按词频倒序，同词频按字母升序
                .sorted(Comparator.<Map.Entry<String, Long>>comparingLong(Map.Entry::getValue)
                        .reversed()
                        .thenComparing(Map.Entry::getKey))
                // 直接映射为要求的格式化字符串，无需额外存储中间有序Map
                .map(entry -> entry.getKey() + " - " + entry.getValue())
                // 拼接为最终结果字符串
                .collect(Collectors.joining("\n"));
    }
}

关键优化说明 #

• 排序问题修复：显式指定比较器泛型，避免thenComparing因泛型推断失败无法生效的问题，组合排序逻辑完全匹配规则要求
• 流操作精简：将原3次流操作缩减为2次，去掉无意义的单词预排序，去掉中间LinkedHashMap存储环节，排序后直接映射拼接结果，减少内存占用和执行开销
• 修正文本拼接逻辑：用String.join替代List.toString()做行拼接，避免引入无关格式字符导致的统计错误

内容的提问来源于stack exchange，提问作者fireballun