核心是用map和stream配合bigdecimal实现高精度自动对账，通过数据分组→金额聚合→差异比对三步链路，确保精度、语义明确、无隐式转换，并覆盖空值处理、舍入规则及差异明细输出等健壮性细节。
用 map 和 stream 配合 bigdecimal 做自动对账，核心是把“数据分组 → 金额聚合 → 差异比对”三个动作串成一条清晰、可读、可复用的链路。关键不在写得多，而在每一步都守住精度、明确语义、避免隐式转换。
对账前的数据建模要准
对账本质是对两套数据源（比如订单系统 vs 支付系统）按某个维度（如订单号、商户ID、日期）比对金额是否一致。所以第一步必须统一数据结构：
- 定义一个轻量视图类，字段只保留对账必需项：id（String）、amount（BigDecimal）、source（String，标识来源）
- 确保所有 amount 字段全部用字符串初始化，例如
new BigDecimal("129.90")或BigDecimal.valueOf(12990).divide(BigDecimal.valueOf(100)) - 禁止出现 double/float 构造、数据库直取 DECIMAL 后未校验精度、空值未转为 BigDecimal.ZERO 等隐患
用Stream分组+CollectorsUtil.summingBigDecimal归约
假设你已从两个系统分别查出 List
Free Ride - Unlimited free AI
下载
一款AI工具，主要用于管理 OpenClaw 所使用的来自 OpenRouter 的免费 AI 模型。自动按质量对模型进行排序，配置回退机制以应对速率限制，并更新 opencla...，适合需要提升相关任务效率的用户。
- 合并两批数据并打上来源标签：
Stream.concat(orderItems.stream().map(o -> new ReconItem(o.getId(), o.getAmount(), "ORDER")), payItems.stream().map(p -> new ReconItem(p.getId(), p.getAmount(), "PAY"))) - 按 id 分组，并对每个组内 amount 求和：
.collect(Collectors.groupingBy(ReconItem::getId, CollectorsUtil.summingBigDecimal(ReconItem::getAmount))) - 这里
CollectorsUtil.summingBigDecimal是自定义工具方法，内部使用reduce(BigDecimal.ZERO, BigDecimal::add)，比summingDouble安全，且不依赖中间 double 转换
用Map对比差异，生成对账结果
拿到两个 Map
- 找出所有涉及的 id：
Set<string> allIds = new HashSet(orderSumMap.keySet()); allIds.addAll(paySumMap.keySet());</string> - 遍历 allIds，对每个 id 获取两边金额（缺失则补 BigDecimal.ZERO），再用
compareTo()判断是否相等：if (orderAmt.compareTo(payAmt) != 0) - 封装差异记录：包含 id、orderAmt、payAmt、diff = orderAmt.subtract(payAmt)，并保留原始符号（正为多记，负为少记）
补充健壮性细节
真实对账不是理想环境，需主动防御边界情况：
- 金额为空时统一转为 BigDecimal.ZERO，避免 NullPointerException
- 设置统一舍入规则：所有中间计算（如税费拆分、分摊）若涉及除法，必须显式指定
RoundingMode.HALF_EVEN和 scale（如 2 位小数） - 日志中打印每条差异的原始明细（不止汇总值），方便财务人工复核
- 对账结果对象建议含状态字段：MATCHED / MISMATCHED / ONLY_IN_ORDER / ONLY_IN_PAY
