技术

上下文记忆 agentic chat 图数据库的一些考量 LLM一些探索 Agent实践 LLM预训练 向量数据库的一些考量 fastapi+sqlalchemy进行项目开发 LLM微调实践 Python协程实现 Agent Functon Calling LLamaIndex入门 Multi-Agent探索 Python虚拟机 LLM工作流编排 Python实践 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Python一些比较有意思的库 Transformers源码学习 LangChain源码学习 通用分布式计算引擎Ray Python并发 go依赖注入 go collection gc的基本原理 golang性能分析及优化 数据湖 高性能计算与存储 Linux2.1.13网络源代码学习 《大数据经典论文解读》 三驾马车学习 Spark 内存管理及调优 Yarn学习 从Spark部署模式开始讲源码分析 容器狂占内存资源怎么办? 多角度理解一致性 golang io使用及优化模式 Flink学习 c++学习 学习ebpf go设计哲学 ceph学习 学习mesh kvm虚拟化 学习MQ go编译器以及defer实现 学习go 为什么要有堆栈 汇编语言 计算机组成原理 运行时和库 Prometheus client mysql 事务 mysql 事务的隔离级别 mysql 索引 坏味道 学习分布式 学习网络 学习Linux go堆内存分配 golang 系统调用与阻塞处理 Goroutine 调度过程 重新认识cpu mosn有的没的 负载均衡泛谈 单元测试的新解读 《Redis核心技术与实现》笔记 《Prometheus监控实战》笔记 Prometheus 告警学习 calico源码分析 对容器云平台的理解 Prometheus 源码分析 并发的成本 基础设施优化 hashicorp raft源码学习 docker 架构 mosn细节 与微服务框架整合 Java动态代理 编程范式 并发通信模型 《网络是怎样连接的》笔记 go channel codereview gc分析 jvm 线程实现 go打包机制 go interface及反射 如何学习Kubernetes 《编译原理之美》笔记——后端部分 《编译原理之美》笔记——前端部分 Pilot MCP协议分析 go gc 内存管理玩法汇总 软件机制 istio流量管理 Pilot源码分析 golang io 学习Spring mosn源码浅析 MOSN简介 《datacenter as a computer》笔记 学习JVM Tomcat源码分析 Linux可观测性 学习存储 学计算 Gotty源码分析 kubernetes operator kaggle泰坦尼克问题实践 kubernetes扩缩容 神经网络模型优化 直觉上理解深度学习 如何学习机器学习 TIDB源码分析 什么是云原生 Alibaba Java诊断工具Arthas TIDB存储——TIKV 《Apache Kafka源码分析》——简介 netty中的线程池 guava cache 源码分析 Springboot 启动过程分析 Spring 创建Bean的年代变迁 Linux内存管理 自定义CNI IPAM 共识算法 spring redis 源码分析 kafka实践 spring kafka 源码分析 Linux进程调度 让kafka支持优先级队列 Codis源码分析 Redis源码分析 C语言学习 《趣谈Linux操作系统》笔记 docker和k8s安全访问机制 jvm crash分析 Prometheus 学习 Kubernetes监控 Kubernetes 控制器模型 容器日志采集 容器狂占资源怎么办? Kubernetes资源调度——scheduler 时序性数据库介绍及对比 influxdb入门 maven的基本概念 《Apache Kafka源码分析》——server Kubernetes类型系统 源码分析体会 《数据结构与算法之美》——算法新解 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 ansible学习 Kubernetes源码分析——从kubectl开始 jib源码分析之Step实现 线程排队 jib源码分析之细节 跨主机容器通信 jib源码分析及应用 为容器选择一个合适的entrypoint kubernetes yaml配置 《持续交付36讲》笔记 mybatis学习 程序猿应该知道的 无锁数据结构和算法 CNI——容器网络是如何打通的 为什么很多业务程序猿觉得数据结构和算法没用? 串一串一致性协议 当我在说PaaS时,我在说什么 《数据结构与算法之美》——数据结构笔记 PouchContainer技术分享体会 harbor学习 用groovy 来动态化你的代码 精简代码的利器——lombok 学习 《深入剖析kubernetes》笔记 编程语言那些事儿 rxjava3——背压 rxjava2——线程切换 spring cloud 初识 《深入拆解java 虚拟机》笔记 《how tomcat works》笔记 hystrix 学习 rxjava1——概念 Redis 学习 TIDB 学习 如何分发计算 Storm 学习 AQS1——论文学习 Unsafe Spark Stream 学习 linux vfs轮廓 《自己动手写docker》笔记 java8 实践 中本聪比特币白皮书 细读 区块链泛谈 比特币 大杂烩 总纲——如何学习分布式系统 hbase 泛谈 forkjoin 泛谈 看不见摸不着的cdn是啥 《jdk8 in action》笔记 程序猿视角看网络 bgp初识 calico学习 AQS——粗略的代码分析 我们能用反射做什么 web 跨域问题 《clean code》笔记 《Elasticsearch权威指南》笔记 mockito简介及源码分析 2017软件开发小结—— 从做功能到做系统 《Apache Kafka源码分析》——clients dns隐藏的一个坑 《mysql技术内幕》笔记 log4j学习 为什么netty比较难懂? 递归、回溯、动态规划 apollo client源码分析及看待面向对象设计 学习并发 docker运行java项目的常见问题 OpenTSDB 入门 spring事务小结 分布式事务 javascript应用在哪里 《netty in action》读书笔记 netty对http2协议的解析 ssl证书是什么东西 http那些事 苹果APNs推送框架pushy apple 推送那些事儿 编写java框架的几大利器 java内存模型和jvm内存布局 java exception Linux IO学习 netty内存管理 测试环境docker化实践 netty在框架中的使用套路 Nginx简单使用 《Linux内核设计的艺术》小结 Go并发机制及语言层工具 Linux网络源代码学习——数据包的发送与接收 《docker源码分析》小结 docker namespace和cgroup zookeeper三重奏 数据库的一些知识 Spark 泛谈 链式处理的那些套路 netty回顾 Thrift基本原理与实践(二) Thrift基本原理与实践(一) 回调 异步执行抽象——Executor与Future Docker0.1.0源码分析 java gc Jedis源码分析 深度学习泛谈 Linux网络命令操作 JTA与TCC 换个角度看待设计模式 Scala初识 向Hadoop学习NIO的使用 以新的角度看数据结构 并发控制相关的硬件与内核支持 systemd 简介 quartz 源码分析 基于docker搭建测试环境(二) spring aop 实现原理简述 自己动手写spring(八) 支持AOP 自己动手写spring(七) 类结构设计调整 分析log日志 自己动手写spring(六) 支持FactoryBean 自己动手写spring(九) 总结 自己动手写spring(五) bean的生命周期管理 自己动手写spring(四) 整合xml与注解方式 自己动手写spring(三) 支持注解方式 自己动手写spring(二) 创建一个bean工厂 自己动手写spring(一) 使用digester varnish 简单使用 关于docker image的那点事儿 基于docker搭建测试环境 分布式配置系统 JVM执行 git maven/ant/gradle/make使用 再看tcp kv系统 java nio的多线程扩展 《Concurrency Models》笔记 回头看Spring IOC IntelliJ IDEA使用 Java泛型 vagrant 使用 Go常用的一些库 Python初学 Goroutine 调度模型 虚拟网络 《程序员的自我修养》小结 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件 Go基础 JVM类加载 硬币和扑克牌问题 LRU实现 virtualbox 使用 ThreadLocal小结 docker快速入门

架构

bert rerank微调 大模型推理tips RAG向量检索与微调 dddfirework源码分析 RAG与知识图谱 大模型推理服务框架vLLM 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer k8s设备管理 ddd从理念到代码 如何应用LLM 小鼠如何驾驭大象(LLM)? 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 AutoML和AutoDL 特征平台 实时训练 分布式链路追踪 K8S YAML 资源清单管理方案 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从混部到统一调度 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 多活 volcano特性源码分析 推理服务 kubebuilder 学习 mpi 学习pytorch client-go学习 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 学习rpc BFF openkruise学习 可观察性和监控系统 基于Kubernetes选主及应用 《许式伟的架构课》笔记 Admission Controller 与 Admission Webhook 发布平台系统设计 k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? 《软件设计之美》笔记 mecha 架构学习 Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 业务系统设计原则 grpc学习 元编程 以应用为中心 istio学习 下一代微服务Service Mesh 《实现领域驱动设计》笔记 概率论 serverless 泛谈 《架构整洁之道》笔记 处理复杂性 那些年追过的并发 服务器端编程 网络通信协议 架构大杂烩 如何学习架构 《反应式设计模式》笔记 项目的演化特点 反应式架构摸索 函数式编程的设计模式 服务化 ddd反模式——CRUD的败笔 研发效能平台 重新看面向对象设计 业务系统设计的一些体会 函数式编程 《左耳听风》笔记 业务程序猿眼中的微服务管理 DDD实践——CQRS 项目隔离——案例研究 《编程的本质》笔记 系统故障排查汇总及教训 平台支持类系统的几个点 代码腾挪的艺术 abtest 系统设计汇总 《从0开始学架构》笔记 初级权限系统设计 领域驱动理念 现有上传协议分析 移动网络下的文件上传要注意的几个问题 推送系统的几个基本问题 做配置中心要想好的几个基本问题 不同层面的异步 分层那些事儿 性能问题分析 用户认证问题 资源的分配与回收——池 消息/任务队列

标签

k8s设备管理 多类型负载协调员Koordinator controller-runtime细节分析 finops学习 kubevela多集群 kubevela中cue的应用 基于k8s的工作流 kubevela源码分析 容器和CPU那些事儿 数据集管理fluid 应用管理平台kubevela karmada支持crd 多集群管理 K8S YAML 资源清单管理方案 从混部到统一调度 volcano特性源码分析 kubebuilder 学习 client-go学习 tf-operator源码分析 k8s批处理调度/Job调度 喜马拉雅容器化实践 Kubernetes 实践 openkruise学习 基于Kubernetes选主及应用 Admission Controller 与 Admission Webhook k8s水平扩缩容 Scheduler如何给Node打分 Scheduler扩展 深入controller openkruise cloneset学习 controller-runtime源码分析 pv与pvc实现 csi学习 client-go informer源码分析 kubelet 组件分析 调度实践 Pod是如何被创建出来的? Kubernetes events学习及应用 CRI——kubelet与容器引擎之间的接口 资源调度泛谈 如何学习Kubernetes 以应用为中心 kubernetes operator kubernetes扩缩容 serverless 泛谈 什么是云原生 自定义CNI IPAM docker和k8s安全访问机制 Kubernetes监控 Kubernetes 控制器模型 Kubernetes资源调度——scheduler Kubernetes类型系统 Kubernetes源码分析——controller mananger Kubernetes源码分析——apiserver Kubernetes源码分析——kubelet Kubernetes介绍 Kubernetes源码分析——从kubectl开始 kubernetes yaml配置 CNI——容器网络是如何打通的 当我在说PaaS时,我在说什么 《深入剖析kubernetes》笔记 Kubernetes存储 访问Kubernetes上的Service Kubernetes副本管理 Kubernetes pod 组件
上下文记忆 agentic chat bert rerank微调 大模型推理tips LLM一些探索 Agent实践 LLM预训练 RAG向量检索与微调 LLM微调实践 RAG与知识图谱 大模型推理服务框架vLLM Agent Functon Calling LLamaIndex入门 Multi-Agent探索 LLM工作流编排 大模型推理服务框架 模型服务化(未完成) 大模型Post-Training 大模型训练 大模型推理 从Attention到Transformer 下一个平台Agent 激发LLM涌现——提示工程 LLM微调理论 大佬沉思 LLM外挂知识库 LLMOps 多模态LLM Transformers源码学习 LangChain源码学习 如何应用LLM 小鼠如何驾驭大象(LLM)? AutoML和AutoDL 特征平台 实时训练 tensorflow原理——python层分析 如何学习tensorflow 数据并行——allreduce 数据并行——ps 推荐系统embedding原理及实践 机器学习中的python调用c 机器学习训练框架概述 tensornet源码分析 大模型训练和推理 X的生成——特征工程 tvm tensorflow原理——core层分析 模型演变 《深度学习推荐系统实战》笔记 keras 和 Estimator tensorflow分布式训练 分布式训练的一些问题 基于Volcano的弹性训练 图神经网络 pytorch弹性分布式训练 从RNN到Attention pytorch分布式训练 CNN 《动手学深度学习》笔记 pytorch与线性回归 推理服务 mpi 学习pytorch 提高gpu 利用率 GPU与容器的结合 GPU入门 AI云平台梳理 tensorflow学习 kaggle泰坦尼克问题实践 神经网络模型优化 概率论 直觉上理解深度学习 如何学习机器学习 深度学习泛谈

rxjava1——概念

2018年06月20日

简介

RxJava系列1(简介)

RxJava2 响应式编程介绍

建议先看下笔者对《反应式设计模式》笔记 反应式架构的梳理,先从宏观上理解下“反应式”的思想,rxjava 是该思想在框架/代码层面的反应。

官方解释

ReactiveX 要点如下

  1. It extends the observer pattern to support sequences of data and/or events and adds operators that allow you to compose sequences together declaratively while abstracting away concerns about things like low-level threading, synchronization, thread-safety, concurrent data structures, and non-blocking I/O.

    • extends the observer pattern
    • extends the observer pattern to support sequences of data and/or events。普通的观察者模式可能是只监听启动、关闭、异常等事件,将观察者模式扩展到sequences上就是 每一个元素 都触发观察者的执行
    • adds operators that allow you to compose sequences
    • abstracting away concerns about things like low-level
  2. Why Use Observables?

    • Observables Are Composable
    • Observables Are Flexible
    • Observables Are Less Opinionated

我们先不说Observable 处理事件流,就先说数据流。Iterator<T>Observable<T> 对比着上面的三个优点

  1. 组合有三个含义

    • Observable<T> 和 另一个 Observable<T> 可以方便的组合
    • Observable<T> 中的一个多个元素,可以进行过滤、转换和组合。也就是对于Observable<String> o1, Observable<Interger> o2 = o1.map(i -> Ints.tryParse(i))
  2. 一个 Object 只要能对外发数据,就是一个Observable,Iterator 只是一个数据集合。

    • 对于Iterator 来说,本身只是数据载体,所以我们获取数据的时候,要foreach,foreach 封装了hasNext和next 逻辑。数据处理方先问有没有数据,再去处理数据。
    • 同样的思想参见笔者 曾经用到的一个BatchQueue。本来只是一个BlockingQueue,现在为了提高性能,要批量消费,但纯批量又不行。假设批量是1000,如果某一个时刻只来了999个,最后一个好长时间没有来,会导致999个一直无法得到处理,因此还要加一个间隔时间。此时基于BlockingQueue 写代码就会很难受,间隔时间、线程池、攒批量的array、业务逻辑等混在一起。 一个很好的实现方式是实现一个BatchQueue,new BatchQueue(threadnum,batch,period,BatchDataConsumer)。此时BatchQueue 就不只是一个数据载体等待我去拉,而是主动驱动业务逻辑的执行。
  3. Observable 不管你底层 是同步还是异步、阻塞非阻塞

一篇不太一样的RxJava介绍 说Observable就是一个数据集合。

《反应式设计模式》

2019.3.24 补充

Future 异步的返回单一值,而Observable则是对可被按组处理的数据流的抽象(注意不是数据源,也不是数据处理函数)。RX的设计目标并不是使用一个抽象来涵盖反应式系统的方方面面,它只是专注于使用反应式的方式在反应式系统内的单个组件内部处理步骤之间传递数据。当前的实现能够垂直扩展从而使用机器上的多个CPU核心,但是不能跨网络中的多个节点进行水平扩展。

为对象附着一个函数

笔者曾经碰到一个需求, 改写一个已有库代码的 equal 逻辑,但因为库的关系,不能直接改动原有的类。

public class Equalable<T> {
    public T t;
    Equator<T> equator;
    public Equalable(T t, Equator<T> equator) {
        this.t = t;
        this.equator = equator;
    }
    public static <T> Equalable toEqualable(T t, Equator<T> equator) {
        return new Equalable(t,equator);
    }
    public boolean equal(T t){
        return equator.equal(this.t,t);
    }
}

public interface Equator<T>{
	boolean equal(T t1,T t2);
}

public class App {
    public static void main(String[] args) {
        User user = new User();
        user.name = "lisi";
        Equalable<User> userEqualable = Equalable.toEqualable(user, new Equator<User>() {
            @Override
            public boolean equal(User t1, User t2) {
                return t1.name.equals(t2.name);
            }
        });

        User user2 = new User();
        user2.name = "lisi";

        System.out.println(userEqualable.equal(user2));
    }
    static class User {
        public String name;
    }
}

异曲同工之妙如下

Equalable Observable
Equalable.toEqualable Observable.toObservable
Equator Observable.onSubscribe
Equalable.equal Observable.onSubscribe.call

函数封装

Rxjava - 异步设计思想

假设一个业务逻辑

A = callA(input);
B = callB(A);
C = callC(B);

除了顺序写,还可以

callA(input,new Callback<A>(){
	callB(A,new Callback<B>(){
		callC(B);
	})
})

这样写有几个好处

  1. 比如loglog4j.debug(calResult()),如果日志级别配的是info的话,其实calResult() 是不必执行的,但顺序调用时,就必须执行。
  2. callA 在一些业务场景下本身就是异步调用

要是3层以上的异步,“迷之缩进”便会很明显,会影响我们阅读代码,必须改进。

public interface Callback <T> {
    void onSuccess(T result);
    void onError(Exception e);
}
public abstract class AsyncJob <T> {
    abstract void execute(Callback<T> callback);
}
AsyncJob<A> callA(input){
	return new AsyncJob<A>(){
		void execute(Callback<A> callback){
			inputA ==> A
			callback.onSuccess(A)
		}
	}
}
AsyncJob<B> callB(input){
	return new AsyncJob<B>(){
	
	}
}

AsyncJob<A> 的execute 逻辑 = callA 原有逻辑 + callback 逻辑。这么一腾挪,callA 的工作就是 生成了一个AsyncJob 对象,没有执行原来的业务逻辑,AsyncJob<A>.execute 才是真正干事儿的。 但是这样解决不了 代码的缩进问题。

public interface Func <T, R> {
    R fun(T data);
  	}
  	public abstract class AsyncJob <T> {
    abstract void execute(Callback<T> callback);
    AsyncJob<R> map(Func<T,R> func){
    	 return new AyncJob<R>(){
    	 	  void execute(Callback<R> callback){
    	 			this.execute(new Callback<T>(){
    	 				void onSuccess(T t){
    	 					R data = func.fun(t);
    	 					callback.onSuccess(data);
    	 				}
    	 				void onError(Exception e){
    	 					callback.onError(e);
    	 				}
    	 			});
    	 	  }
    	 }
    }  
}
// 执行起来就是
AsyncJob<A> asyncJobA = callA(input);
AsyncJob<B> asyncJobB = asyncJobA.map(A => callB())
AsyncJob<C> asyncJobC = asyncJobB.map(B => callC())
asyncJobC.execute(new Callback(){xx});

callback 接口作为一个函数式接口,其作用就是将函数对象化,函数对象化的作用就是,函数虽然作为参数,但不用立即执行。上述代码所有的业务逻辑都转移到了 asyncJobC.execute 中。asyncJobC.execute 本质就是

A = callA(input);
B = callB(A);
C = callC(B);

或者

callA(input,new Callback<A>(){
	callB(A,new Callback<B>(){
		callC(B);
	})
})

换个角度看,这个类似于build 模式,setxx了一堆都没有开始干活,最后的build() 才开始来真的。但给我们的感受,要远比 起初简洁的多。尤其是加上异常处理、提前退出等逻辑的话。

所谓异步数据流,就是对一个输入源,经过步骤1,步骤2,步骤3,最终得到一个输出(这也是为什么rxjava 跟函数式编程很亲密,一个步骤用函数描述最简单了)。rxjava 通过api 让你描述了 这个过程。然后加了点私货

数据流 可以由驱动线程执行,也可以由其它线程执行, 甚至不同阶段由不同线程执行,这意味着每一个步骤 都可以 由一个线程或线程池执行。

在rxjava中,Observable 类似于上文的 AsyncJob,callback 类似于subscriber/observer。AsyncJob 的转换在函数式编程中也有专门的名词monad,此处不赘述。

函数封装的另一个好处就是与 异步编程结合起来,参考代码腾挪的艺术

0.1.2 版本的rxjava 源码

0.1.2 版本不涉及 线程方面,代码都是在驱动线程中执行。这也给我们一个学习指导,rxjava最开始的时候(现在更强大了) 关注的是如何将collection、future 等对象obserable,并对obserable 进行 monad 方式的数据转换。

Observable 接口实现(删掉不重要的细节)

public class Observable<T> {
	private final Func1<Observer<T>, Subscription> onSubscribe;
	protected Observable(Func1<Observer<T>, Subscription> onSubscribe) {
	    this.onSubscribe = onSubscribe;
	}
	public Subscription subscribe(Observer<T> observer) {
       if (onSubscribe == null) {
            ...
       }
       return onSubscribe.call(observer);
    };
}

interface Func1<Observer<T>, Subscription>{
	Subscription call(Observer<T> observer);
}

Observable 剩下三类方法

  1. 构造类方法, 将入参转换为Func1 onSubscribe,并以此构建 Observable
  2. subscribe 类方法,将入参 转换为 Observer,并执行onSubscribe.call
  3. 转换类 方法,将一个Observable 转换为另一个 Observable,更具体的说,是将当前Observable 持有的onSubscribe 转换为 另一个onSubscribe,并根据新的onSubscribe create 新的Observable。

Learning Observable By Building Observable 说它就是一个函数,是一个producer。To connect the observer to something that produces values (a producer), and return a means to tear down that connection to the producer. The observer is really a registry of handlers that can be pushed values over time.

当我将 一个 数据 转换为 Observable ,我在做什么?0.1.2 版本中,我们可以将一个元素、集合、Future 使其成为Observable。

任何可以产生数据的 主体 都可以to Observable,任何可以消费数据的方法 都可以是Observer。将一个 producer 转化为 Observable,就是给它一个Observer 让它去调用。将一个consumer 转换为一个Observer 就是 实现 Observer 接口的方法(onNext、onComplete、onError)。

笔者第一次看到 一个类(Observable) 将一个方法 Func1<Observer<T>, Subscription> onSubscribe 作为成员。为什么 拿一个方法作为成员? 传统的观察者模式,被观察者 Observable 是持有所有观察者 Observer 的引用的。但rxjava 可能为链式调用的缘故,观察者只有 最后subscribe 时才拿得到,但之前的各种转换操作等又必须拿Observer 来说事( 调用Observer 的方法), 因此 只能用 ` Func1<Observer, Subscription> onSubscribe` 来替换 List 了。

Observable {
	List<Observer> observers
	void notify(){
		// 通知observers
	}
}

Observable {
	void notify(List<Observer> observers){
		// 通知observers
	}
}

Observable {
	void notify(List<Observer> observers);
}

有点方法和成员本质 都是一样的感觉

一个实践

笔者曾经处理过一个业务

  1. 从hdfs中读取文件,一行为一个id
  2. 根据id 查询数据库
  3. 做数据分类、过滤
  4. 调用rpc,为提高效率,最好批量调用
  5. 因为hdfs id数量比较多,因此采用了多线程执行。

代码的演化历程

  1. hdfs 读取代码,线程代码,分类、过滤代码,rpc 调用代码混在一起,最多就是分一下函数
  2. 现状:HdfsUtils.read(path,LinesListener) id 的处理逻辑 封装在 LinesListener 中
  3. 计划:改成rxjava的形式。线程与逻辑隔离,逻辑与逻辑隔离,比如等待批量 不与 rpc 调用混杂

从中可以看到

  1. 代码再复杂,只要有足够的抽象,都可以将代码梳理的很清楚。但抽象的前提是,业务逻辑稳定,并且开发人员有能力有精力完成这些工作,这往往是不现实的,尤其是要去业务快速迭代的项目
  2. 说白了,顺序流编程 暴漏的抽象层次太低,尤其是对于多线程处理。抽象层次低 有什么问题?能为用户分担的事情太少。
  3. 对于复杂业务, 如果将其理解为数据/事件流, 对于框架来说,只需要暴露logic,而数据流转、并发处理则可以隐藏掉。