Stream.flatMap构建词频矩阵的核心优势是结构清晰、可扩展、内存可控：先分词再展平成单词流，链式过滤停用词与标准化，再用groupingBy统计频次，支持分块处理与并行优化。
用 Stream.flatMap 构建词频矩阵，关键不在“快”，而在“结构清晰、可扩展、内存可控”。它本身不提速计算，但能干净地把分词→展平→统计三步串成一条惰性流水线，避免中间集合膨胀，这对大规模文本变量（比如上万条句子、每条含几十到上百词）特别实用。
先分词再展平：让每句话变成一串单词流
词频矩阵的起点是把原始文本列表（如 List）转为所有单词的扁平流。flatMap 正是干这个的：
- 对每句字符串调用
split(" ")得到String[] - 用
Arrays.stream(...)把数组转成子流 - flatMap 自动把所有子流“接起来”，产出一个
Stream，里面全是单词，顺序和原文一致
示例代码：
Stream<string> allWords = sentences.stream()
.flatMap(sentence -> Arrays.stream(sentence.toLowerCase().split("\W+")));</string>去停用词 + 小写标准化：在展平后立即过滤
别等展平完再遍历过滤——那会多一次遍历。直接把 filter 接在 flatMap 后面，利用 Stream 惰性求值特性，边展平边筛：
- 预定义
SetSTOP_WORDS = Set.of("the", "a", "an", "and", "or") - 在 flatMap 后加
.filter(word -> word.length() > 1 && !STOP_WORDS.contains(word)) - 这样每个单词只被创建、检查一次，不存临时列表
用 Collectors.groupingBy 统计频次
展平+清洗后的单词流，直接交给 Collectors.groupingBy(..., Collectors.counting())，一步生成 Map：
- 这是词频向量的基础结构，后续可转为稀疏矩阵（如用
Int2LongOpenHashMap）、或导出为 TF-IDF 特征 - 若需限制词汇表大小（比如只取前 10000 高频词），可在 groupingBy 后接
.entrySet().stream().sorted(Map.Entry.comparingByValue().reversed()).limit(10000)
应对超长文本：配合分块与并行流
单条句子本身很长（如整篇论文），或总文本量极大时，注意两点：
- 避免
split一次性生成巨量小字符串——改用Pattern.compile("\W+").splitAsStream(...)，更省内存且支持正则 - 如果句子列表本身可并行处理（无状态依赖），用
sentences.parallelStream()开启并行；但注意groupingBy默认非线程安全，应搭配Collectors.toConcurrentMap或显式加ConcurrentHashMap收集器
