能高效处理海量监控日志TopK统计：流式读取+精准拆词+有界聚合+懒加载排序，避免OOM；用Files.lines()惰性解析、预编译正则提取关键字段、groupingBy计数、最小堆流式取TopK。
直接用 Java Stream API 做海量监控日志的 TopK 高频词频统计，关键不在“能不能”，而在“怎么避免 OOM 和低效”。核心思路是：**流式读取 + 精准拆词 + 有界聚合 + 懒加载排序**。不把全部单词塞进内存，也不等全量统计完再取 TopK。
按行流式解析，跳过无效日志
监控日志通常混杂 INFO/DEBUG/WARN，且含时间戳、主机名、线程ID等干扰字段。先用 Files.lines() 获取惰性 Stream，再 filter 排除非目标内容：
- 用预编译 Pattern 匹配关键字段（如 "metric=.*? " 或 "error_code:[A-Z0-9_]+"），只提取变量值部分
- 跳过空行、JSON 格式异常行、或 timestamp 超出时间窗口的记录（如日志中时间早于 24 小时前）
- 避免在 lambda 中 new Pattern，应定义为 static final Pattern P = Pattern.compile("...")
精准提取变量值，避免粗暴分词
监控日志不是普通文本，不能简单按空格或标点 split。高频变量往往藏在固定结构中：
- 若日志形如 "[INFO] host=web01 metric=cpu_usage value=87.3"，用正则 "metric=([^\s]+)" 提取 cpu_usage
- 若含 JSON 片段如 "{"event":"login","status":"success"}"，用轻量 JSON 解析器（如 Jackson TreeModel）取特定 key，而非全文 tokenize
- 对多值变量（如 tags="env=prod,region=us-east"），可进一步按逗号+等号二次拆解，提取 env、region 等维度作为独立统计项
用 Collectors.groupingBy + counting 实现增量计数
这是最自然也最高效的词频建模方式，底层基于 HashMap，插入和更新都是 O(1)：
- 代码示例：.collect(Collectors.groupingBy(Function.identity(), Collectors.counting()))，其中 Function.identity() 即保留原始变量字符串
- 结果类型是 Map<String, Long>，天然支持后续排序与截断
- 若需并发处理（如多文件并行解析），改用 ConcurrentHashMap::new 作 supplier，配合 Collectors.toConcurrentMap
流式取 TopK，不全量排序
统计完 Map 后，不要调用 .entrySet().stream().sorted(...).limit(K)，那会把全部键值对加载进内存再排序。更优做法是用优先队列（最小堆）边遍历边维护 K 个最大值：
- 用 StreamSupport.stream(map.entrySet().spliterator(), false) 转为流
- 收集到 PriorityQueue：.collect( () -> new PriorityQueue<>(K, Map.Entry.comparingByValue()), (pq, e) -> { if (pq.size() < K) pq.offer(e); else if (e.getValue() > pq.peek().getValue()) { pq.poll(); pq.offer(e); } }, (a,b) -> {} )
- 最终转成 List 并倒序（因是最小堆，顶部是第 K 大）
整个链路保持惰性、无中间集合膨胀，GB 级日志也能单机稳定运行。真正需要扩展吞吐时，才考虑迁移到 Flink 或 Kafka Streams 做分布式分片统计。
