如何用Java Streams获取两个不同对象列表中的非匹配Bar对象

先明确你的核心需求：从barList中找出所有不存在对应匹配Foo的Bar对象，匹配规则是：

• Bar.barName忽略大小写后与Foo.name一致
• Bar.codeBar等于Foo.age转换后的Integer值

先聊聊你写的代码里存在的几个问题：

1. 方法调用错误：f.getName应该是f.getName()，age也需要调用f.getAge()（你漏了方法的括号）
2. 逻辑判断偏差：你用anyMatch(f -> !条件1 && 条件2)的逻辑，会把只要存在某个Foo不满足"barName匹配"但满足codeBar的Bar都留下来，完全不符合你要的"未匹配任何Foo"的逻辑
3. 性能隐患：如果foolist数据量较大，每个Bar都遍历整个Foo列表会导致O(n*m)的时间复杂度，效率很低

正确的基础实现（直接用Streams） #

要实现"未匹配任何Foo"的判断，应该用noneMatch方法——它会验证当前Bar是否没有任何一个Foo符合匹配规则，代码如下：

List<Bar> unmatchedBars = barList.stream()
    .filter(bar -> foolist.stream()
        .noneMatch(foo -> 
            bar.getBarName().equalsIgnoreCase(foo.getName()) 
            && bar.getCodeBar() == Integer.parseInt(foo.getAge())
        )
    )
    .collect(Collectors.toList());

⚠️ 注意：如果Foo.age可能存在非整数的情况，需要添加异常处理（比如用try-catch包裹Integer.parseInt，或者提前清理Foo列表的age字段）

优化性能的实现（提前构建匹配键集合） #

如果你的foolist数据量较大，上面的方法效率会很低。我们可以提前把所有Foo的匹配规则提取成一个键集合，这样判断Bar是否匹配的时间复杂度就降到O(1)：

Java 16+ 版本（用Record定义匹配键）

// 定义匹配键的record，自动实现equals和hashCode
record FooMatchKey(String normalizedName, int code) {}

// 提前构建Foo的匹配键集合
Set<FooMatchKey> fooMatchKeys = foolist.stream()
    .map(foo -> new FooMatchKey(foo.getName().toLowerCase(), Integer.parseInt(foo.getAge())))
    .collect(Collectors.toSet());

// 筛选未匹配的Bar
List<Bar> unmatchedBars = barList.stream()
    .filter(bar -> !fooMatchKeys.contains(
        new FooMatchKey(bar.getBarName().toLowerCase(), bar.getCodeBar())
    ))
    .collect(Collectors.toList());

Java 16之前版本（用SimpleEntry替代）

// 提前构建Foo的匹配键集合
Set<Map.Entry<String, Integer>> fooMatchKeys = foolist.stream()
    .map(foo -> new AbstractMap.SimpleEntry<>(
        foo.getName().toLowerCase(), 
        Integer.parseInt(foo.getAge())
    ))
    .collect(Collectors.toSet());

// 筛选未匹配的Bar
List<Bar> unmatchedBars = barList.stream()
    .filter(bar -> !fooMatchKeys.contains(
        new AbstractMap.SimpleEntry<>(
            bar.getBarName().toLowerCase(), 
            bar.getCodeBar()
        )
    ))
    .collect(Collectors.toList());

这种处理方式把整体时间复杂度从O(n*m)降到了O(n+m)，数据量越大性能提升越明显。

内容的提问来源于stack exchange，提问作者Juan