转载

到处是map、flatMap，啥意思？

最近入职一个有趣的年轻同事，提交了大量大量的代码。翻开git记录一看，原来是用了非常多的 java8 的语法特性，重构了代码。用的最多的，就是 map 、 flatMap 之类的。但是其他小伙伴不愿意了，虽然有的人感觉代码变的容易懂了，但有更多的人感觉代码变的很晦涩。 那感觉就像是：脱了裤子放屁，多此一举。

这些函数的作用域，根据级别，我觉得可以分为三类。

简直是无所不在。

不要过分使用

我也不知道这些函数是从什么时候流行起来的，但它们与函数编程的关系肯定是非常密切的。好像是2004年的Scala开始的。

没什么神奇的，它们全部是语法糖，作用是让你的程序更简洁。你要是想，完全可以用多一点的代码去实现。不要为了炫技刻意去使用，物极必反，用不好的话，产生的效果会是非常负面的。比如java，它并不是一门函数编程语言，那么 lambda 就只是一种辅助；而你用java那一套去写 Lisp 代码的话，也只会不伦不类。

但语言还是要融合的，因为潮流就是这样。不去看他们背后的设计，我们仅从api的语义表象，横向看一下它们所表达的东西。

我们首先看一下其中的共性（注意：逻辑共性，并不适合所有场景），然后拿几个典型的实现，看一下在这个星球上，程序员们的表演。

这些抽象的概念

这些函数的作用对象，据说是一种称之为流的东西。那 流 到底是一种什么东西呢？请原谅我用一些不专业的话去解释。

不论是在语言层面还是分布式数据结构上，它其实是一个简单的数组。它有时候真的是一个简单的数组，有时候是存在于多台机器的分布式数组。在下文中，我们统称为 数组流 。

我们简单分为两类。

语言层面的：比如Java的Stream
分布式层面的：比如Spark的RDD
复制代码

它们都有以下几个比较重要的点。

函数可以作为参数

C语言当然是没问题的，可以把函数作为指针传入。但在不久之前，在Java中，这还得绕着弯子去实现（使用java概念中的Class去模拟函数，你会见到很多Func1、Func0这样奇怪的java类）。

函数作参数，是使得代码变得简洁的一个必要条件。我们通常的编程方法，大多是顺序执行一些操作。

array = new Array()
array = func1(array)
if(func2(array)){
    array = func3(array)
}
array = func4(array)
复制代码

而如果函数能够当参数，我就能够尽量的将操作平铺。最终，还是要翻译成上面的语句进行执行的。

array = new Array()
array.stream()
.map(func1)
.filter(func2)
.flatMap(func3)
.sorted(func4)
...
复制代码

编程模式完全变了，函数也有了语义。

sequential & parallel

如果我们的 数组流 太大，对于单机来说，就有顺序处理和并行处理两种方式。

通常，可以通过 parallel 函数进入并行处理模式。对于大多数本地操作，开了并行不见得一定会快。 java中使用ForkJoin那一套，线程的速度，你知道的...

而对于分布式数据流来说，本来就是并行的，这种参数意义就不大了。

函数种类

一般作用在数据流上的函数，会分为两类。

转换。Transformation
动作。Action
复制代码

转换，典型的特点就是 lazy 。只有 action 执行的时候，才会真正参与运算。所以，你可以认为这些转换动作是一套被缓冲的操作。典型的函数如：map、flatMap等。它们就像烤串一样被串在一起，等着被撸。

动作。真正触发代码的运行，上面的一系列转换，也会像开了闸的洪水一样，一泻而下。典型的如 reduce 函数，就是这种。

以上的描述也不尽然，比如python的map，执行后就可以输出结果。这让人很没面子啊。

map & reduce

谈到map和reduce，大家就不约而同的想到了hadoop。然而，它不仅仅是大数据中的概念。

对于它俩的概念，我们仅做下面两行介绍。

map

将传入的函数依次作用到序列的每个元素，并把结果作为新的 数组流 返回。

reduce

reduce类似于一个递归的概念。最终会归约成一个值。看看这个公式：）

reduce([p1,p2,p3,p4],fn) = reduce([fn(p2,p4),fn(p1,p3)])
复制代码

具体还是看谷歌的经典论文吧。

《MapReduce: Simplified Data Processing on Large Clusters》 ai.google/research/pu…

你能访问么？:)

map & flatMap

这两个函数经常被使用。它们有如下区别：

map

把 数组流 中的每一个值，使用所提供的函数执行一遍，一一对应。得到元素个数相同的 数组流 。

flatMap

flat是扁平的意思。它把 数组流 中的每一个值，使用所提供的函数执行一遍，一一对应。得到元素相同的 数组流 。只不过，里面的元素也是一个子 数组流 。把这些子数组合并成一个数组以后，元素个数大概率会和原 数组流 的个数不同。

程序员们的表演

java8种的Stream

java8开始，加入了一个新的抽象，一个称之为流的东西：Stream。配合lambda语法，可以使代码变的特别的清爽、干净（有木有发现都快成了 Scala 了）。

一个非常好的向导： stackify.com/streams-gui…

Spark的RDD操作

spark的核心数据模型就是RDD，是一个有向无环图。它代表一个不可变、可分区、其内元素可并行计算的集合。它是分布式的，但我们可以看下一个 WordCount 的例子。

JavaRDD<String> textFile = sc.textFile("hdfs://...");
JavaPairRDD<String, Integer> counts = textFile
    .flatMap(s -> Arrays.asList(s.split(" ")).iterator())
    .mapToPair(word -> new Tuple2<>(word, 1))
    .reduceByKey((a, b) -> a + b);
counts.saveAsTextFile("hdfs://...");
复制代码

多么熟悉的Api啊，你一定在Hadoop里见过。

Flink 的 DataStream

Flink程序是执行分布式集合转换(例如，filtering, mapping, updating state, joining, grouping, defining windows, aggregating)的常规程序。Flink中的DataStream程序是实现在数据流上的transformation。

我们同样看一下它的一段代码。

DataStream<Tuple2<String, Integer>> counts =
// split up the lines in pairs (2-tuples) containing: (word,1)
text.flatMap(new Tokenizer())
// group by the tuple field "0" and sum up tuple field "1"
.keyBy(0).sum(1);
复制代码

kafka stream的操作

kafka已经变成了一个分布式的流式计算平台。他抽象出一个 KStream 和 KTable ，与Spark的RDD类似，也有类似的操作。

KStream可以看作是KTable的更新日志（changlog），数据流中的每一个记录对应数据库中的每一次更新。

我们来看下它的一段代码。

KTable<String, Long> wordCounts = textLines
.flatMapValues(value -> Arrays.asList(value.toLowerCase().split("//W+")))
.groupBy((key, value) -> value)
.count();
wordCounts.toStream().to("streams-wordcount-output", Produced.with(stringSerde, longSerde));
复制代码