• Operation之变换操作符


    buffer

    • buffer方法的作用是缓冲组合, 第一个参数是缓冲时间, 第二个参数是缓冲个数, 第三个参数是线程
    • 该方法简单来说就是缓存Observable中发出的新元素, 当元素达到某个数量, 或者经过了特定的时间, 他就会将这个元素集合发送出来
    let subject = PublishSubject<String>()
    subject.buffer(timeSpan: 1, count: 3, scheduler: MainScheduler.instance)
        .subscribe(onNext: {print($0)})
        .disposed(by: bag)
    
    subject.onNext("a")
    subject.onNext("b")
    subject.onNext("c")
    
    subject.onNext("1")
    subject.onNext("2")
    subject.onNext("3")
    
    subject.onNext("^_^")
    subject.onCompleted()
    

    window

    • window操作符和buffer十分相似. 不过buffer是周期性的将缓存的元素集合发送出来, 而window周期性的将元素集合以Observable的形式发送出来
    • 同时buffer要顶到元素搜集完毕后, 才会发出元素序列. 而window可以实时发出元素序列
    let subject2 = PublishSubject<String>()
    subject2
        .window(timeSpan: 1, count: 3, scheduler: MainScheduler.instance)
        .subscribe(onNext:{[weak self] in
            print($0)
            $0.subscribe(onNext: {print($0)}).disposed(by: self!.bag)
        })
        .disposed(by: bag)
        subject2.onNext("a")
        subject2.onNext("b")
        subject2.onNext("c")
    
        subject2.onNext("1")
        subject2.onNext("2")
        subject2.onNext("3")
    
        subject2.onNext("^_^")
        subject2.onCompleted()
    

    map

    • 该操作符通过传入一个函数闭包把原来的Observable序列转变为一个新的Observable序列
    Observable.of(1, 2, 3)
        .map{$0 * 10}
        .subscribe(onNext: { print($0) })
        .disposed(by: bag)
    

    flatMap

    • flatMap操作符会对源Observable的每一个元素应用一个转换方法, 将他们转换成Observables. 然后将这些Observables的元素合并之后在发送出来. 即又将其"拍扁"(降维)成一个Observable序列
    let subject41 = BehaviorSubject(value: "A")
    let subject42 = BehaviorSubject(value: "1")
    
    let variable4 = Variable(subject41)
    
    variable4.asObservable().flatMap { $0 }.subscribe(onNext: { print($0) }).disposed(by: bag)
    subject41.onNext("B")
    variable4.value = subject42
    subject42.onNext("2")
    subject41.onNext("C")
    

    flatMapLatest

    • flatMapLatest 与 flatMap 的唯一区别是: flatMapLatest 只会接收最新的value事件
    • 上面的案例中 flatMap 修改为 flatMapLatest
    let subject51 = BehaviorSubject(value: "A")
    let subject52 = BehaviorSubject(value: "1")
    
    let variable5 = Variable(subject51)
    
    variable5.asObservable().flatMapLatest{ $0 }.subscribe(onNext: { print($0) }).disposed(by: bag)
    
    subject51.onNext("B")
    variable5.value = subject52
    subject52.onNext("2")
    subject51.onNext("C")
    

    concatMap

    • concatMap 与 flatMap 的唯一区别是: 当前一个Observable元素发送完毕后, 后一个Observable才可以开始发送元素. 或者说等待前一个Observable产生完成事件后, 才对后一个Observable进行订阅
    let subject61 = BehaviorSubject(value: "A")
    let subject62 = BehaviorSubject(value: "1")
    
    let variable6 = Variable(subject61)
    
    variable6.asObservable().flatMapLatest{ $0 }.subscribe(onNext: { print($0) }).disposed(by: bag)
    
    subject61.onNext("B")
    variable6.value = subject62
    subject62.onNext("2") // 因为subject61还没有结束, 所以不会打印
    subject61.onNext("C")
    subject61.onCompleted() // 让subject61完成或者error, 上面的subject62发出的事件才会被监听到
    

    scan

    • scan就是先给一个初始化的数, 然后不断的拿前一个结果和最新的值进行处理操作
    Observable.of(1,2,3,4,5)
        .scan(0) { (acum, item) -> Int in
            acum + item
    }
    .subscribe(onNext: { print($0) })
    .disposed(by: bag)
    

    groupBy

    • groupBy 操作符将源Observable分解为多个子Observable, 然后将这些子Observable发送出来
    • 也就是说改操作符会将元素通过某个键进行分组, 然后将分组后的元素序列以Observable的形态发送出来
    Observable.of(1,2,3,4,5,7,8,13)
        .groupBy { (item) -> String in
            item % 2 == 0 ? "偶数" : "奇数"
    }.subscribe(onNext: { [weak self] group in
        group.asObservable().subscribe(onNext: {event in
            print("group: (group)")
            print("key: (group.key)")
            print("event: (event)")
        }).disposed(by: self!.bag)
    }).disposed(by: bag)
    

  • 相关阅读:
    Druid 配置_DruidDataSource参考配置
    Druid 配置 wallfilter
    Druid 配置_配置WebStatFilter
    Druid 配置_StatViewServlet配置
    Druid 配置_StatFilter
    Druid数据库连接池使用
    Spring泛型依赖注入
    java计算代码执行时间
    模板方法在Spring事务中的应用
    maven,阿里云国内镜像,提高jar包下载速度
  • 原文地址:https://www.cnblogs.com/gchlcc/p/11820802.html
Copyright © 2020-2023  润新知