我更喜欢第二种方式。

当您使用第一种方法时，如果您决定使用并行流来提高性能，则无法控制forEach将元素添加到输出列表中的顺序。

当您使用toList时，Streams API将保留顺序，即使您使用并行流。

还有第三种选择-使用stream(). toarray() -请参阅“为什么stream没有toList方法”下的注释。它比forEach()或collect()慢，表达能力也更差。它可能会在以后的JDK构建中得到优化，所以在这里添加它以防万一。

假设列表<字符串>

    myFinalList = Arrays.asList(
            myListToParse.stream()
                    .filter(Objects::nonNull)
                    .map(this::doSomething)
                    .toArray(String[]::new)
    );

在doSomething()中有一个微型基准测试，1M个条目，20%的空值和简单的转换

private LongSummaryStatistics benchmark(final String testName, final Runnable methodToTest, int samples) {
    long[] timing = new long[samples];
    for (int i = 0; i < samples; i++) {
        long start = System.currentTimeMillis();
        methodToTest.run();
        timing[i] = System.currentTimeMillis() - start;
    }
    final LongSummaryStatistics stats = Arrays.stream(timing).summaryStatistics();
    System.out.println(testName + ": " + stats);
    return stats;
}

结果如下

并行:

toArray: LongSummaryStatistics{count=10, sum=3721, min=321, average=372,100000, max=535}
forEach: LongSummaryStatistics{count=10, sum=3502, min=249, average=350,200000, max=389}
collect: LongSummaryStatistics{count=10, sum=3325, min=265, average=332,500000, max=368}

顺序:

toArray: LongSummaryStatistics{count=10, sum=5493, min=517, average=549,300000, max=569}
forEach: LongSummaryStatistics{count=10, sum=5316, min=427, average=531,600000, max=571}
collect: LongSummaryStatistics{count=10, sum=5380, min=444, average=538,000000, max=557}

parallel没有空值和过滤器(所以流的大小): toArrays在这种情况下具有最好的性能，而.forEach()在接收数组列表上的"indexOutOfBounds"失败，必须替换为.forEachOrdered()

toArray: LongSummaryStatistics{count=100, sum=75566, min=707, average=755,660000, max=1107}
forEach: LongSummaryStatistics{count=100, sum=115802, min=992, average=1158,020000, max=1254}
collect: LongSummaryStatistics{count=100, sum=88415, min=732, average=884,150000, max=1014}

可能是方法3。

我总是喜欢把逻辑分开。

Predicate<Long> greaterThan100 = new Predicate<Long>() {
    @Override
    public boolean test(Long currentParameter) {
        return currentParameter > 100;
    }
};
        
List<Long> sourceLongList = Arrays.asList(1L, 10L, 50L, 80L, 100L, 120L, 133L, 333L);
List<Long> resultList = sourceLongList.parallelStream().filter(greaterThan100).collect(Collectors.toList());

如果使用第三方库是可以的，cyclops-react定义了内置此功能的Lazy扩展集合。例如，我们可以简单地写

ListX myListToParse;

ListX myFinalList = myListToParse.filter（elt -> elt ！= null） .map（elt -> doSomething（elt））;

myFinalList在第一次访问之前(在物化列表被缓存和重用之后)不会被求值。

[披露我是cyclops-react的主要开发者]

使用流的主要好处之一是，它提供了以声明式方式处理数据的能力，也就是说，使用函数式编程风格。它还提供了免费的多线程功能，这意味着不需要编写任何额外的多线程代码来使流并发。

假设您探索这种编程风格的原因是希望利用这些优点，那么您的第一个代码示例可能不是功能性的，因为foreach方法被归类为终端方法(这意味着它可能产生副作用)。

从函数式编程的角度来看，第二种方法是首选的，因为map函数可以接受无状态lambda函数。更明确地说，传递给map函数的lambda应该是

非干扰，意味着函数不应该改变流的源，如果它是非并发的(例如ArrayList)。 无状态以避免在进行并行处理时出现意外结果(由线程调度差异引起)。

第二种方法的另一个好处是，如果流是并行的，而收集器是并发的和无序的，那么这些特征可以为简化操作提供有用的提示，以便并发地进行收集。

我同意现有的答案，第二种形式更好，因为它没有任何副作用，更容易并行化(只需使用并行流)。

在性能方面，它们似乎是等效的，直到您开始使用并行流。在这种情况下，map会表现得更好。以下为微基准测试结果:

Benchmark                         Mode  Samples    Score   Error  Units
SO28319064.forEach                avgt      100  187.310 ± 1.768  ms/op
SO28319064.map                    avgt      100  189.180 ± 1.692  ms/op
SO28319064.mapWithParallelStream  avgt      100   55,577 ± 0,782  ms/op

你不能以同样的方式提升第一个例子，因为forEach是一个终端方法——它返回void——所以你不得不使用一个有状态的lambda。但如果你使用并行流，这真的是一个坏主意。

最后注意，你的第二个代码片段可以使用方法引用和静态导入以一种更简洁的方式编写:

myFinalList = myListToParse.stream()
    .filter(Objects::nonNull)
    .map(this::doSomething)
    .collect(toList());