rxjava学习四：Flowable

来源：https://www.jianshu.com/p/1f4867ce3c01

1．什么是Fowable

Fowable也是被观察者，和Subscriber构成一对观察者和被观察者

2．为什么引入Fowable

在rxjava中经常会遇到一种情况就是被观察者发送消息十分迅速，导致观察者不能即时响应消息。例如：

Observable.create(new ObservableOnSubscribe<Integer>() {
    @Override
    public void subscribe(ObservableEmitter<Integer> e) throws Exception {
        while (true){ 
            e.onNext(1); 
        } 
    }
}) .subscribeOn(Schedulers.io()) 
        .observeOn(AndroidSchedulers.mainThread())
        .subscribe(new Consumer<Integer>() { 
            @Override 
            public void accept(Integer integer) throws Exception {
                Thread.sleep(2000); 
                System.out.println(integer); 
            }
        });

例子中被观察者无限产生事件，消费者每隔2秒消费一个事件，造成事件堆积，最后造成OOM，Fowable就是为了处理这个问题，这个现象称为Backpressure背压，即生产者生生的速度大于消费者消费的速度，Flowable就是为了解决Backpressure问题而产生的。

3．处理Backpressure的策略

处理Backpressure的策略仅仅是处理Subscriber接收事件的方式，并不影响Flowable发送事件的方式，即使采用了Backpressure的策略，Flowable原来以什么样的速度产生事件，现在还是什么样的速度产生事件，主要处理的是Subscriber接收事件的方式

1．什么情况下发生Backpressure

如果生产者和消费者在同一个线程情况下，每产生一个事件就会通知消费者，等消费者消费完毕，再产生下一个事件，所以同步情况下不存在Backpressure问题。

如果生产者和消费者不在一个线程，如果生产者速度大于消费者速度，就会产生backpressure问题，即在异步情况下。

2．具体策略

ERROR：

在backpressure问题时直接抛出一个异常MissingBackpressureException

Flowable<Integer> flowable = Flowable.create(new FlowableOnSubscribe<Integer>() { 
    @Override 
    public void subscribe(FlowableEmitter<Integer> emitter) throws Exception {
        Log.d(TAG, "emit 1");
        emitter.onNext(1);
        Log.d(TAG, "emit 2");
        emitter.onNext(2);
        Log.d(TAG, "emit 3"); 
        emitter.onNext(3);
        Log.d(TAG, "emit complete"); 
        emitter.onComplete(); 
    } 
    }, BackpressureStrategy.ERROR); //增加了一个参数
 Subscriber<Integer> subscriber = new Subscriber<Integer>() { 
     @Override 
     public void onSubscribe(Subscription s) {
         Log.d(TAG, "onSubscribe");
         s.request(Long.MAX_VALUE); }
         @Override 
         public void onNext(Integer integer) {
         Log.d(TAG, "onNext: " + integer);
     } 
     @Override 
     public void onError(Throwable t) { 
         Log.w(TAG, "onError: ", t);
     } 
     @Override
     public void onComplete() { 
         Log.d(TAG, "onComplete");
     } 
 }; 
 flowable.subscribeOn(Schedulers.io()).observeOn(AndroidSchedulers.mainThread()).subscribe(subscriber);

上述代码创建了一个Flowable和一个Subscriber，不同的是在onSubscribe(Subscription s)中传递过来的是Subscripiton而不再是disposable了，也是用于切断观察者和被观察者直接按的联系，调用Subscription.cancel方法即可，不同的是Subscription增加了一个void request(long n)方法，上述代码中：

s.request(Long.MAX_VALUE);

这个方法用来向生产者申请可以消费的事件数量，这个可以根据本身的消费能力进行消费事件，这是因为Flowable在设计的时候采用了一种新的思路也就是响应式拉取的方式，你要去多少，我便传给你多少

在异步调用的时候，rxjava有个缓存池，用来缓存消费者暂时处理不了缓存下来的数据，缓存池的大小为128，只能缓存128个事件，无论request中传入的数字比128大还是小，缓存池中在刚开始都会存入128个事件，如果本身没有那么多事件就不会存128个，在ERROR策略下，如果缓存池溢出，就会立刻抛出MissingBackpressureException异常。

BUFFER

即把默认容量为128的缓存池换成一个大的缓存池，支持很多的数据，这样，消费者通过request传入一个很大的数据，生产者也会生产事件，并把处理不了的事件缓存，但是这种方式比较消耗内存，

DROP

当消费者处理不了的时候就丢弃，消费者通过request传入其需求n，然后生产着把n个事件传递给消费者供其消费，其他消费不掉的事件就丢弃。

LATEST

基本和DROP一致，消费者通过request传入需求n，然后生产者把n个事件传递给消费者供其消费，其他消费不掉的事件就丢弃，唯一的区别是LATEST总能使消费者能够接收到生产者产生的最后一个事件

除了flowable对象通过create对象自己创建，可以指定Backpressure策略外，如果Flowable不是自己创建的，可以采用onBackpressureBuffer onBackpressureDrop onBackpressureLatest方式指定。

例子：

Flowable.just(1)
        .onBackpressureBuffer() 
        .observeOn(AndroidSchedulers.mainThread()) 
        .subscribeOn(Schedulers.io()) 
        .subscribe(new Consumer<Integer>() { 
            @Override
            public void accept(Integer integer) throws Exception 
            {
                
            }
        });

rxjava学习四：Flowable

猜你喜欢