flatmap用于二度人脉统计的核心是将“用户→一度好友→一度好友的好友”嵌套关系拉平为单层流，再过滤自身及一度好友、去重并计数；关键在逻辑准确与数据预加载优化。
直接用 flatMap 做二度人脉统计，核心是把“用户 → 一度好友 → 一度好友的好友”这层嵌套关系拉平，再过滤掉自己和一度好友，最后聚合去重计数。关键不在写法多炫，而在逻辑是否准确、边界是否清晰。
明确数据结构和目标
假设你有如下模型：
-
User：含
id和List<long> directFriends</long>（一度好友 ID 列表） - 目标：对指定用户
targetId，统计其所有二度好友（即一度好友的好友中，排除自己和一度好友）的出现频次
用 flatMap 展开两层关系
第一步不是统计，而是把“一度好友的好友”全部摊开成一条扁平流：
List<long> secondDegreeIds = users.stream()
.filter(u -> u.id == targetId)
.findFirst()
.map(user -> user.directFriends.stream() // 一度好友列表 → Stream<long>
.flatMap(friendId -> findUserById(friendId) // 查一度好友对象
.map(friend -> friend.directFriends.stream()) // 取他的一度好友（即 target 的二度）
.orElse(Stream.empty()))
.collect(Collectors.toList()))
.orElse(Collections.emptyList());</long></long>
⚠️ 注意：findUserById 需高效（建议预加载为 Map<long user></long>），否则 N² 查询会拖垮性能。
去重 + 排除自身与一度好友
拿到所有候选二度 ID 后，要剔除无效项：
- 剔除
targetId自身 - 剔除所有一度好友 ID（避免重复计算或混淆关系层级）
- 去重后按出现次数排序
完整链式写法：
Map<long long> secondDegreeCount = users.stream()
.filter(u -> u.id == targetId)
.findFirst()
.map(target -> {
Set<long> directSet = new HashSet(target.directFriends);
return target.directFriends.stream()
.flatMap(fid -> findUserById(fid)
.map(friend -> friend.directFriends.stream())
.orElse(Stream.empty()))
.filter(id -> id != target.id && !directSet.contains(id)) // 排除自己和一度
.collect(Collectors.groupingBy(Function.identity(), Collectors.counting()));
})
.orElse(Collections.emptyMap());</long></long>
大规模场景下的关键优化点
当用户量达百万级时，纯内存 Stream 容易 OOM 或变慢，需配合以下策略：
-
预建反向索引：构建
Map<long list>> inverseIndex</long>，即“谁的好友包含我”，可快速反查二度来源 - 分批处理：对一度好友列表切片，每批 100–500 个，避免单次 flatMap 拉出过长流
-
用 IntStream 或并行流谨慎：仅当好友关系稀疏且无状态依赖时启用
parallelStream()，否则容易引发线程安全问题
二度人脉统计本质是图的 2-hop 遍历，flatMap 提供了声明式表达能力，但真正决定效率的是数据组织方式和查询路径设计。
