Stream API通过函数式编程高效提取共同好友，核心是求两人好友集合交集，适用于中等规模数据，代码简洁可读、易于调试。
用Stream API提取共同好友，核心是把“两人各自好友集合的交集”这个逻辑，用函数式风格高效表达出来。它不依赖MapReduce或图计算框架，适合中等规模数据（几万到百万级用户关系），代码简洁、可读性强、易于调试。
准备基础数据结构
先将原始文本数据转为Java对象。假设每行格式为 A:B,C,D，表示用户A的好友是B、C、D：
- 用 Map<String, Set<String>> 存储每个用户及其好友集合，保证去重且查询快
- 读取文件时用 Files.lines() + stream() 流式处理，避免一次性加载全量数据到内存
- 对每行做 split(":") 和 split(",")，再用 Collectors.toSet() 构建好友集合
获取任意两人的共同好友
给定两个用户ID（如 "A" 和 "B"），直接调用：
- friendsMap.get("A").stream().filter(friendsMap.get("B")::contains).collect(Collectors.toList())
- 注意提前判空：若任一用户不存在，或其好友集合为null，应返回空列表，避免NPE
- 若需排序或限制数量（如只取前5个），可在filter后接 sorted() 或 limit(5)
批量计算所有有共同好友的用户对
这不是暴力双重循环，而是用Stream组合技巧降低复杂度：
- 先用 friendsMap.entrySet().stream() 遍历所有用户
- 对每个用户u，用 flatMap 展开其好友v，再以(v, u)为键生成用户对（确保u < v字典序，避免重复）
- 对每对(u,v)，计算共同好友集合，用 filter(common -> !common.isEmpty()) 筛出有效结果
- 最终用 Collectors.toMap() 组织为 Map<Pair<String,String>, List<String>> 结构
性能与边界处理要点
实战中容易卡住的地方不在逻辑，而在细节：
- 原始数据可能含空行、多余空格、大小写不一致——用 map(String::trim) 和 filter(s -> !s.isEmpty()) 清洗
- 好友ID可能含不可见字符（如\uFEFF），建议统一用 strip() 替代 trim()
- 若数据超100万行，考虑用 parallelStream()，但需确保好友集合操作线程安全（Set本身无问题，但collect过程要选线程安全的Collector）
- 导出结果到文件时，别用System.out.println逐行打，改用 Files.write() 批量写入，效率高十倍以上
