FunDA（10）－ 用户功能函数模式：User Function Model

   前面我们提过：FunDA就像一个管道（PipeLine）。管道内流动着一串数据（Data）或者运算指令（Action）。管道的源头就是能产生纯数据的数据源（Source），跟着在管道的中间会有一些节点（WorkNode），我们可以在这些节点施用（apply）用户提供的功能函数（Task）。用户功能函数可以截取并使用管道中流动的数据或者指令，然后利用一种水龙头开关机制（Valve）来影响流动元素：可以截住、直接传送、传送修改版本、插入新数据。作为FunDA的用户，需要掌握用户功能函数编写模式。我们先从一个简单的用户函数开始介绍：

//定义一个用户作业函数：列印数据，完全不影响数据流
  def printAlbums: FDATask[FDAROW] = row => {
    row match {
      case album: Album =>
        println("____________________")
        println(s"品名：${album.title}")
        println(s"演唱：${album.artist}")
        println(s"年份：${album.year}")
        println(s"发行：${album.publisher}")
//原封不动直接传下去
        fda_next(album)
      case r@ _ => fda_next(r)
    }
  }

上面这个用户函数的类型是FDATask[FDAROW]，这是一个函数类型：

    //作业类型
    type FDATask[ROW] = ROW => Option[List[ROW]]

所以我们用lambda来代表函数内容：row => {函数功能}。lambda为用户函数提供了当前元素。我们用下面方式调用这个用户函数：

  val streamLoader = FDAStreamLoader(slick.driver.H2Driver, toTypedRow _)
  val albumStream = streamLoader.fda_typedStream(albumsInfo.result)(db)(10.minutes, 512, 128)()()
//定义一个用户作业函数：列印数据，完全不影响数据流
  def printAlbums: FDATask[FDAROW] = row => {
    row match {
      case album: Album =>
        println("____________________")
        println(s"品名：${album.title}")
        println(s"演唱：${album.artist}")
        println(s"年份：${album.year}")
        println(s"发行：${album.publisher}")
//原封不动直接传下去
        fda_next(album)
      case r@ _ => fda_next(r)
    }
  }

 albumStream.appendTask(printAlbums).startRun

我们把用户函数printAlbums传入appendTask来对数据流进行施用。我们可以在appendTask后面再接一个用户函数，这个用户函数截取到的数据流元素是原装的数据源，因为在任何情况下printAlbums都会原封不动地把截获的元素用fda_next()传下去。运行一下下面这个就清楚了：

 albumStream.appendTask(printAlbums).appendTask(printAlbums).startRun

相反情况我们只需要做下面的修改把fda_next替换成fda_skip就可以证实了：

//原封不动直接传下去
        fda_skip
//        fda_next(album)

我们也可以根据当前元素情况生成一条FDAActionROW，它的定义是这样的：

  type FDAAction = DBIO[Int]

  case class FDAActionRow(action: FDAAction) extends FDAROW
  def fda_mkActionRow(action: FDAAction): FDAActionRow = FDAActionRow(action)

  class FDAActionRunner(slickProfile: JdbcProfile) {

    import slickProfile.api._

    def fda_execAction(action: FDAAction)(slickDB: Database): Int =
      Await.result(slickDB.run(action), Duration.Inf)
  }
  object FDAActionRunner {
    def apply(slickProfile: JdbcProfile): FDAActionRunner = new FDAActionRunner(slickProfile)
  }

我们可以把一条FDAActionRow传下去：

  def updateYear: FDATask[FDAROW] = row => {
      row match {
        case album: Album => {
          val updateAction = albums.filter(r => r.title === album.title)
          .map(_.year)
          .update(Some(2017))
          fda_next(FDAActionRow(updateAction))
        }
        case others@ _ => fda_next(others)
      }
  }

我们也可以把原数据同时传下去：

  def updateYear: FDATask[FDAROW] = row => {
      row match {
        case album: Album => {
          val updateAction = albums.filter(r => r.title === album.title)
          .map(_.year)
          .update(Some(2017))
          fda_next(FDAActionRow(updateAction))
          fda_next(album)
        }
        case others@ _ => fda_next(others)
      }
  }

我们需要FDAActionRunner来运算action:

val runner = FDAActionRunner(slick.driver.H2Driver)
  def runActions: FDATask[FDAROW] = row => {
    row match {
      case FDAActionRow(action) =>
        runner.fda_execAction(action)(db)
        fda_skip
      case others@ _ => fda_next(others)
    }
  }

现在试试运转这个管道：

  albumStream.appendTask(updateYear).appendTask(runActions).appendTask(printAlbums).startRun

实际上updateYear和runActions可以一步完成。但细化拆分功能就是函数式编程的一个特点，因为能够更自由的进行组合，这其中就包括了并行运算组合。

下面是这篇讨论的示范源代码：

package com.bayakala.funda.fdasources.examples
import slick.driver.H2Driver.api._
import com.bayakala.funda.fdasources.FDADataStream._
import com.bayakala.funda.samples._
import com.bayakala.funda.fdarows._
import com.bayakala.funda.fdapipes._
import FDAValves._
import com.bayakala.funda.fdarows.FDARowTypes._
import scala.concurrent.duration._

object Example2 extends App {
   val albums = SlickModels.albums
   val companies = SlickModels.companies

//数据源query
   val albumsInfo = for {
     (a,c) <- albums join companies on (_.company === _.id)
   } yield (a.title,a.artist,a.year,c.name)

//query结果强类型（用户提供）
  case class Album(title: String, artist: String, year: Int, publisher: String) extends FDAROW
//转换函数（用户提供）
  def toTypedRow(row: (String, String, Option[Int], String)): Album =
    Album(row._1, row._2, row._3.getOrElse(2000), row._4)

  val db = Database.forConfig("h2db")

  val streamLoader = FDAStreamLoader(slick.driver.H2Driver, toTypedRow _)
  val albumStream = streamLoader.fda_typedStream(albumsInfo.result)(db)(10.minutes, 512, 128)()()
//定义一个用户作业函数：列印数据，完全不影响数据流
  def printAlbums: FDATask[FDAROW] = row => {
    row match {
      case album: Album =>
        println("____________________")
        println(s"品名：${album.title}")
        println(s"演唱：${album.artist}")
        println(s"年份：${album.year}")
        println(s"发行：${album.publisher}")
//原封不动直接传下去
//        fda_skip
        fda_next(album)
      case r@ _ => fda_next(r)
    }
  }

// albumStream.appendTask(printAlbums).appendTask(printAlbums).startRun



  def updateYear: FDATask[FDAROW] = row => {
      row match {
        case album: Album => {
          val updateAction = albums.filter(r => r.title === album.title)
          .map(_.year)
          .update(Some(2017))
          fda_next(FDAActionRow(updateAction))
          fda_next(album)
        }
        case others@ _ => fda_next(others)
      }
  }
  val runner = FDAActionRunner(slick.driver.H2Driver)
  def runActions: FDATask[FDAROW] = row => {
    row match {
      case FDAActionRow(action) =>
        runner.fda_execAction(action)(db)
        fda_skip
      case others@ _ => fda_next(others)
    }
  }

  albumStream.appendTask(updateYear).appendTask(runActions).appendTask(printAlbums).startRun

}