Kotlin Flow 探索
响应式编程
因为 Kotlin Flow 是基于 响应式编程 的实现，所以先了解一下 响应式编程 的概念。
首先看下百度百科解释：
响应式编程是一种面向数据流和变化传播的编程范式。这意味着可以在编程语言中很方便地表达静态或动态的数据流，而相关的计算模型会自动将变化的值通过数据流进行传播。
这个释义很抽象，难以理解。只知道它的核心是：数据流。
如何理解这个数据流，先看下响应式编程 ReactiveX 下的一个框架 RxJava 。
RxJava 是基于响应式编程的实现，它的定义：
RxJava 是 Reactive Extensions 的 Java VM 实现：一个通过使用可观察序列来组合异步和基于事件的程序的库。
它扩展了观察者模式以支持数据/事件序列，并添加了运算符，允许您以声明方式组合序列，同时消除了对低级线程、同步、线程安全和并发数据结构等问题的担忧。
看完这个定义，脑袋中也很模糊。下面从 RxJava 应用的一个简单例子来分析：
Observable.just(bitmap).map { bmp->
//在子线程中执行耗时操作，存储 bitmap 到本地
saveBitmap(bmp)
}.subscribeOn(Schedulers.io()).observeOn(AndroidSchedulers.mainThread()).subscribe { bitmapLocalPath ->
//在主线程中处理存储 bitmap 后的本地路径地址
refreshImageView(bitmapLocalPath)
}上面例子中： 将一个 bitmap 存储到本地并返回本地路径，从源数据 bitmap → 存储 btimap 到本地操作 → 获取本地图片路径值刷新UI。其实，就可以把这整个过程中按时间发生的事件序列理解为数据流。
数据流包含提供方（生产者），中介（中间操作），使用方（消费者）：
- 提供方（生产者）：源数据，将数据添加到数据流中；
- 中介（中间操作）：可以修改发送到数据流的值，或修正数据流本身；
- 使用方（消费者）：结果数据，使用数据流中的值。
那么，上面例子中的数据流是：
- 提供方（生产者）：源数据 bitmap；
- 中介（中间操作）：map 操作，存储 btimap 到本地；
- 使用方（消费者）：本地图片路径。
再看下 RxJava 中的数据流解释：
RxJava 中的数据流由源、零个或多个中间步骤组成，然后是数据消费者或组合器步骤（其中该步骤负责通过某种方式消费数据流）：
source.operator1().operator2().operator3().subscribe(consumer);source.flatMap(value -> source.operator1().operator2().operator3());
在这里，如果我们想象自己在操作符 operator2 上，向左看 source 被称为上游。向右看 subscriber/consumer 称为下游。当每个元素都写在单独的行上时，这一点通常更为明显：
source
.operator1()
.operator2()
.operator3()
.subscribe(consumer)这也是 RxJava 的上游、下游概念。
其实，Flow 数据流中参看 RxJava，也可以有这样类似的上游和下游概念：
flow
.operator1()
.operator2()
.operator3()
.collect(consumer)了解了 响应式编程 的核心 数据流 后，对 响应式编程 有了初步印象。但是 响应式编程 的实现远不止如此，它还涉及观察者模式，线程调度等。不管原理这些，用它来做开发有什么好处呢？其实，它主要优点是：
- 对于并发编程，线程切换，没有 callback hell，简化了异步执行的代码；
- 代码优雅，简洁，易阅读和维护。
下面看两个业务例子：
Observable.just(bitmap).map { bmp ->
//在子线程中执行耗时操作，存储 bitmap 到本地
saveBitmap(bmp)
}.map { path ->
//在子线程中执行耗时操作，上传图片到服务端
uploadBitmap(path)
}.subscribeOn(Schedulers.io()).observeOn(AndroidSchedulers.mainThread())
.subscribe { downloadUrl ->
//在主线程中处理获取图片下载地址
} //从服务端批量下载文件
Observable.from(downloadUrls).flatMap { downloadUrl ->
//下载单个文件，返回本地文件
Observable.just(downloadUrl).map {url-> downloadResource(url) }
}.map { file ->
//对文件解压
unzipFile(file)
}.subscribeOn(Schedulers.io()).observeOn(AndroidSchedulers.mainThread())
.subscribe { folderPath ->
//拿到文件夹路径
}所以 响应式编程 的实现，主要是帮我们解决了 并发编程问题，能用优雅简洁的代码做异步事件处理。
Kotlin 协程 和 Flow，它们结合在一起也实现了 响应式编程。在 Kotlin 环境中，再结合 Android 提供 Lifecycle, ViewModel, Flow 的扩展，能让我们在 Android 中做并发编程，异步事件管理如鱼得水。
Kotlin Flow
Kotlin Flow 就是 Kotlin 数据流，它基于 Kotlin 协程构建。上一篇 Kotlin 协程探索 分析了 协程 的大致原理，知道协程就是 Kotlin 提供的一套线程 API 框架，方便做并发编程。那么 Kotlin 协程 和 Flow （数据流）的结合，和 RxJava 框架就有异曲同工之妙。
下面使用 Kotlin 协程 和 Flow 来实现上面 RxJava 的两个业务例子：
GlobalScope.launch(Dispatchers.Main) {
flowOf(bitmap).map { bmp ->
//在子线程中执行耗时操作，存储 bitmap 到本地
Log.d("TestFlow", "saveBitmap: ${Thread.currentThread()}")
saveBitmap(bmp)
}.flowOn(Dispatchers.IO).collect { bitmapLocalPath ->
//在主线程中处理存储 bitmap 后的本地路径地址
Log.d("TestFlow", "bitmapLocalPath=$bitmapLocalPath: ${Thread.currentThread()}")
}
}
//从服务端批量下载文件
GlobalScope.launch(Dispatchers.Main) {
downloadUrls.asFlow().flatMapConcat { downloadUrl ->
//下载单个文件，返回本地文件
flowOf(downloadUrl).map { url ->
Log.d("TestFlow", "downloadResource:url=$url: ${Thread.currentThread()}")
downloadResource(url)
}
}.map { file ->
//对文件解压
Log.d("TestFlow", "unzipFile:file=${file.path}: ${Thread.currentThread()}")
unzipFile(file)
}.flowOn(Dispatchers.IO).collect { folderPath ->
//拿到文件夹路径
Log.d("TestFlow", "folderPath=$folderPath: ${Thread.currentThread()}")
}
}
控制台结果输出：
TestFlow: saveBitmap: Thread[DefaultDispatcher-worker-1,5,main]
TestFlow: bitmapLocalPath=/mnt/sdcard/Android/data/com.wangjiang.example/files/images/flow.png: Thread[main,5,main]
TestFlow: downloadResource:url=https://www.wangjiang.example/coroutine.zip: Thread[DefaultDispatcher-worker-1,5,main]
TestFlow: unzipFile:file=/mnt/sdcard/Android/data/com.wangjiang.example/files/zips/coroutine.zip: Thread[DefaultDispatcher-worker-1,5,main]
TestFlow: downloadResource:url=https://www.wangjiang.example/flow.zip: Thread[DefaultDispatcher-worker-1,5,main]
TestFlow: unzipFile:file=/mnt/sdcard/Android/data/com.wangjiang.example/files/zips/flow.zip: Thread[DefaultDispatcher-worker-1,5,main]
TestFlow: folderPath=/mnt/sdcard/Android/data/com.wangjiang.example/files/zips/coroutine: Thread[main,5,main]
TestFlow: folderPath=/mnt/sdcard/Android/data/com.wangjiang.example/files/zips/flow: Thread[main,5,main]可以看到，和 RxJava 实现的效果是一致的。首先，使用launch启动一个协程，然后使用源数据创建一个 Flow（数据生产），再经过 flatMapConcat, map 变换（多个中间操作），最后通过collect获取结果数据（数据消费），这其中还包括线程切换：在主线程中启动子线程执行耗时任务，并将耗时任务结果返回给主线程（flowOn 指定了中间操作在 IO 线程中执行）。所以 协程 和 Flow（数据流） 结合，就是 响应式编程 的实现，这对我们来说，使用它可以在 Kotlin 环境中写出优雅的异步代码来做并发编程。
下面再分别来熟悉一下 协程 和 Flow。
协程概念
首先来看一下协程中的一些概念和 API。
CoroutineScope: 定义协程的 scope。
CoroutineScope 会跟踪它使用 launch 或 async 创建的所有协程。您可以随时调用 scope.cancel() 以取消正在进行的工作（即正在运行的协程）。在 Android 中，某些 KTX 库为某些生命周期类提供自己的 CoroutineScope。例如，ViewModel 有 viewModelScope，Lifecycle 有 lifecycleScope。不过，与调度程序不同，CoroutineScope 不运行协程。
Kotlin 提供了为 UI 组件使用的 MainScope：
public fun MainScope(): CoroutineScope = ContextScope(SupervisorJob() + Dispatchers.Main)为应用程序整个生命周期使用的 GlobalScope:
public object GlobalScope : CoroutineScope {
/**
* Returns [EmptyCoroutineContext].
*/
override val coroutineContext: CoroutineContext
get() = EmptyCoroutineContext
}因为是应用程序整个生命周期，所以要慎重使用。
也可以自定义 Scope：
val scope = CoroutineScope(Job() + Dispatchers.Main)另外，Android KTX 库针对 CoroutineScope 做了扩展，所以在 Android 中通常会使用 Activity 或 Fragment 生命周期相关的 lifecycleScope，和 ViewModel 生命周期相关的viewModelScope 。
public val Lifecycle.coroutineScope: LifecycleCoroutineScope
get() {
while (true) {
val existing = mInternalScopeRef.get() as LifecycleCoroutineScopeImpl?
if (existing != null) {
return existing
}
val newScope = LifecycleCoroutineScopeImpl(
this,
SupervisorJob() + Dispatchers.Main.immediate
)
if (mInternalScopeRef.compareAndSet(null, newScope)) {
newScope.register()
return newScope
}
}
}public val ViewModel.viewModelScope: CoroutineScope
get() {
val scope: CoroutineScope? = this.getTag(JOB_KEY)
if (scope != null) {
return scope
}
return setTagIfAbsent(
JOB_KEY,
CloseableCoroutineScope(SupervisorJob() + Dispatchers.Main.immediate)
)
}
internal class CloseableCoroutineScope(context: CoroutineContext) : Closeable, CoroutineScope {
override val coroutineContext: CoroutineContext = context
override fun close() {
coroutineContext.cancel()
}
}启动协程: launch 和 async
启动协程有两种方式：
launch：启动一个新的协程，并返回一个Job，这个Job是可以取消的Job.cancel；async：也会启动一个新的协程，并返回一个Deferred接口实现，这个接口其实也继承了Job接口，可以使用await挂起函数等待返回结果。
CoroutineContext: 协程上下文
val scope = CoroutineScope(Job() + Dispatchers.Main)在 CoroutineScope 中定义了 plus 操作：
public operator fun CoroutineScope.plus(context: CoroutineContext): CoroutineScope =
ContextScope(coroutineContext + context)因为 Job 和 Dispatchers 顶层都继承了接口 Element，而 Element 又继承了接口 CoroutineContext:
public interface Element : CoroutineContext所以 Job() 和 Dispatchers.Main 可以相加。这里 CoroutineScope 的构造方法中是必须要有 Job()，如果没有，它自己也会创建一个 Job()：
public fun CoroutineScope(context: CoroutineContext): CoroutineScope =
ContextScope(if (context[Job] != null) context else context + Job())Job 和 CoroutineDispatcher 在 CoroutineContext 中的作用是：
Job：控制协程的生命周期。
CoroutineDispatcher：将工作分派到适当的线程。
CoroutineDispatcher：协程调度器与线程
- Dispatchers.Default：默认调度器，指示此协程应在为 cpu 计算操作预留的线程上执行；
- Dispatchers.Main：指示此协程应在为 UI 操作预留的主线程上执行；
- Dispatchers.IO：指示此协程应在为 I/O 操作预留的线程上执行。
GlobalScope.launch(Dispatchers.Main) {
}withContext(Dispatchers.IO){
}.flowOn(Dispatchers.IO)小结
要使用协程，首先创建一个 scope: CoroutineScope 来负责管理协程，定义scope 时需要指定控制协程的生命周期的 Job和将工作分派到适当线程的CoroutineDispatcher。定义好 scope 后， 可通过 scope.launch启动一个协程，也可以多次使用scope.launch启动多个协程，启动的协程可通过 scope.cancel取消，但它取消的是 scope 启动的所有协程。如果要取消单个协程，需要使用scope.launch返回的 Job 来取消Job.cancel，这个 Job 控制着单个协程的生命周期。当启动协程后，主线程中的任务依然可以继续执行，在执行launch{}时，可以通过 withContext(Dispatchers.IO)将协程的执行操作移至一个 I/O 子线程，子线程执行完任务，再将结果返回主线程继续执行。
简单示例：
//主线程分派任务
private val scope = CoroutineScope(Job() + Dispatchers.Main)
//管理对应的协程的生命周期
private var job1: Job? = null
fun exec() {
//启动一个协程
job1 = scope.launch {
//子线程执行耗时任务
withContext(Dispatchers.IO){
}
}
//启动一个协程
val job2 = scope.launch {
//启动一个协程
val taskResult1 = async {
//子线程执行耗时任务
withContext(Dispatchers.IO){
}
}
val taskResult2 = async {
//子线程执行耗时任务
withContext(Dispatchers.IO){
}
}
//taskResult1 和 taskResult2 都返回结果才会继续执行
taskResult1.await() + taskResult2.await()
}
}
fun cancelJob() {
//取消 job1 对应的协程
job1?.cancel("cancel job1")
}
fun cancelScope() {
//取消 scope 对应的所有协程
scope.cancel("cancel scope")
}在上面的例子中：
scope：定义主线程分派任务的 scope 来跟踪它使用 launch 或 async 创建的所有协程；job1：管理它对应的协程的生命周期；withContext(Dispatchers.IO)：切换到子线程执行耗时任务；cancelJob会取消 job1 对应的协程；cancelScope会取消 scope 启动的所有协程。
Flow 数据流
了解了 Kotlin 协程的一些基础 概念和 API 后，知道了协程的基本使用。接下来，再了解一下 Kotlin Flow 相关的概念和 API。
Kotlin 中的 Flow API 旨在异步处理按顺序执行的数据流。Flow 本质上是一个 Sequence。我们可以像对 Kotlin 中 Sequence 一样来操作Flow：变换，过滤，映射等。Kotlin Sequences 和 Flow 的主要区别在于 Flow 可以挂起。
如果有理解 Kotlin Sequence，那其实很好理解 Kotlin Flow。刚好，在前面一篇 Kotlin 惰性集合操作-序列 Sequence文章中，有分析 Sequence 的原理，这里也可以把 Flow 按照类似的原理进行理解。
val sequenceResult = intArrayOf(1, 2, 3).asSequence().map { it * it }.toList()
MainScope().launch{
val flowResult = intArrayOf(1, 2, 3).asFlow().map { it * it }.toList(mutableListOf())
}上面 sequenceResult 和 flowResult 的值都是：[1, 4, 9]。
在 Sequence 中，如果没有末端操作，中间操作不会被执行。在 Flow 中也是一样，如果数据流没有数据消费collect ，中间操作也不会被执行。
flowOf(bitmap).map { bmp ->
//在子线程中执行耗时操作，存储 bitmap 到本地
saveBitmap(bmp)
}.flowOn(Dispatchers.Default)上面代码中，map 操作不会被执行。
一个完整的数据流应该包含：数据生产（ flowOf , asFlow, flow{} ）→ 中间操作（map, filter等）→ 数据消费（collect,asList,asSet等）。下面将分别了解相关操作。
数据流：数据生产
数据生产主要是通过数据源构建数据流。可以使用 Builders.kt 中提供的 Flow 相关扩展方法，如：
intArrayOf(1, 2, 3).asFlow().map { it * it }val downloadUrl = "https://github.com/ReactiveX/RxJava"
flowOf(downloadUrl).map { downloadZip(it) }(1..10).asFlow().filter { it % 2 == 0 }通常使用 flowOf 和 asFlow方法直接构建数据流。它们创建的都是冷流：
冷流：这段 flow 构建器中的代码直到流被收集（collect）的时候才运行。
也可以通过 flow{} 来构建数据流，使用emit方法将数据源添加到数据流中：
flow<Int> {
emit(1)
withContext(Dispatchers.IO){
emit(2)
}
emit(3)
}.map { it * it }不管是 flowOf，asFlow 还是 flow{}，它们都会实现接口 FlowCollector：
public fun <T> flow(@BuilderInference block: suspend FlowCollector<T>.() -> Unit): Flow<T> = SafeFlow(block)
internal inline fun <T> unsafeFlow(@BuilderInference crossinline block: suspend FlowCollector<T>.() -> Unit): Flow<T> {
return object : Flow<T> {
override suspend fun collect(collector: FlowCollector<T>) {
collector.block()
}
}
}接口 FlowCollector 提供的 emit 方法，负责将源数据添加到数据流中：
public fun interface FlowCollector<in T> {
/**
* Collects the value emitted by the upstream.
* This method is not thread-safe and should not be invoked concurrently.
*/
public suspend fun emit(value: T)
}总结：构建数据流可以使用 Flow 相关扩展方法： flowOf , asFlow, flow{}，它们都是通过接口 FlowCollector 提供的 emit 方法，将源数据添加到数据流中。
数据流：中间操作
中间操作主要修改发送到数据流的值，或修正数据流本身。如 filter, map, flatMapConcat 操作等：
intArrayOf(1, 2, 3).asFlow().map { it * it }.collect{ }
(1..100).asFlow().filter { it % 2 == 0 }.collect{ }
val data = hashMapOf<String, List<String>>(
"Java" to arrayListOf<String>("xiaowang", "xiaoli"),
"Kotlin" to arrayListOf<String>("xiaozhang", "xiaozhao")
)
flow<Map<String, List<String>>> {
emit(data)
}.flatMapConcat {
it.values.asFlow()
}.collect{ }中间操作符有很多，根据使用场景大概可分为：
- 转换操作符：简单转换可以使用过滤
filter，映射map操作，复杂转换可以使用变换transform操作； - 限长过渡操作符：在流触及相应限制的时候会将它的执行取消，可以使用获取
take操作，take(2)表示只获取前两个值； - 丢弃操作符：丢弃流中结果值，可以使用丢弃
drop操作，drop(2)表示丢弃前两个值； - 展平操作符：将给定的流展平为单个流，
flatMapConcat与flattenConcat操作表示顺序收集传入的流操作，flatMapMerge与flattenMerge操作表示并发收集所有传入的流，并将它们的值合并到一个单独的流，以便尽快的发射值操作，flatMapLatest操作表示以展平的方式收集最新的流操作； - 组合操作符：将多个流组合，
zip操作表示组合两个流的值，两个流都有值才进行组合操作，combine操作表示组合两个流最新的值，每次组合的时候都是使用每个流最新的值； - 缓冲操作符：当数据生产比数据消费快的时候，可以使用缓冲
buffer操作，在数据消费的时候可以缩短时间； - 合并操作符：合并发射项，不对每个值进行处理，可以使用合并
conflate操作，跳过中间值； - flowOn 操作符：更改流发射的上下文，会将
flowOn操作前的操作切换到 flowOn 指定的上下文Dispatchers.Default，Dispatchers.IO，Dispatchers.Main，也就是指定前面的操作所执行的线程；
上面介绍了主要的操作符的大致使用场景，操作符详细解释可以查看官方文档：异步流。
中间操作符代码示例：
(1..3).asFlow().take(2).collect{
//收集到结果值 1，2
}(1..3).asFlow().drop(2).collect{
//收集到结果值 3
} private fun downloadVideo(videoUrl: String): Pair<String, String> {
return Pair(videoUrl, "videoFile")
}
private fun downloadAudio(audioUrl: String): Pair<String, String> {
return Pair(audioUrl, "audioFile")
}
private fun downloadImage(imageUrl: String): Pair<String, String> {
return Pair(imageUrl, "imageFile")
}
MainScope().launch {
val imageDownloadUrls = arrayListOf<String>("image1", "image2")
val audioDownloadUrls = arrayListOf<String>("audio1", "audio2", "audio3")
val videoDownloadUrls = arrayListOf<String>("video1", "video2", "video3", "video4")
val imageFlows = imageDownloadUrls.asFlow().map {
downloadImage(it)
}
val audioFlows = audioDownloadUrls.asFlow().map {
downloadAudio(it)
}
val videoFlows = videoDownloadUrls.asFlow().map {
downloadVideo(it)
}
merge(imageFlows, audioFlows, videoFlows).flowOn(Dispatchers.IO).onEach {
Log.d("TestFlow", "result=$it")
}.collect()
}
控制台输出结果：
TestFlow: result=(image1, imageFile)
TestFlow: result=(image2, imageFile)
TestFlow: result=(audio1, audioFile)
TestFlow: result=(audio2, audioFile)
TestFlow: result=(audio3, audioFile)
TestFlow: result=(video1, videoFile)
TestFlow: result=(video2, videoFile)
TestFlow: result=(video3, videoFile)
TestFlow: result=(video4, videoFile)
merge 操作符将多个流合并到一个流，支持并发。类似 RxJava 的 zip 操作(1..3).asFlow().onStart {
Log.d("TestFlow", "onStart:${Thread.currentThread()}")
}.flowOn(Dispatchers.Main).map {
Log.d("TestFlow", "map:$it,${Thread.currentThread()}")
if (it % 2 == 0)
throw IllegalArgumentException("fatal args:$it")
it * it
}.catch {
Log.d("TestFlow", "catch:${Thread.currentThread()}")
emit(-1)
}.flowOn(Dispatchers.IO)
.onCompletion { Log.d("TestFlow", "onCompletion:${Thread.currentThread()}") }
.onEach {
Log.d("TestFlow", "onEach:$it,${Thread.currentThread()}")
}.collect()
控制台输出结果：
TestFlow: onStart:Thread[main,5,main]
TestFlow: map:1,Thread[DefaultDispatcher-worker-3,5,main]
TestFlow: map:2,Thread[DefaultDispatcher-worker-3,5,main]
TestFlow: catch:Thread[DefaultDispatcher-worker-3,5,main]
TestFlow: onEach:1,Thread[main,5,main]
TestFlow: onEach:-1,Thread[main,5,main]
TestFlow: onCompletion:Thread[main,5,main]
flowOn 指定 onStart 在主线程中执行（Dispatchers.Main），指定 map 和 catch 在 IO 线程中执行（Dispatchers.IO）总结：中间操作其实就是数据流的变换操作，与 Sequence 和 RxJava 的变换操作类似。
数据流：数据消费
数据消费就是使用数据流的结果值。末端操作符最常使用 collect来收集流结果值：
(1..3).asFlow().collect{
//收集到结果值 1，2，3
}除了 collect 操作符外，还有一些操作符可以获取数据流结果值：
collectLatest：使用数据流的最新值；toList或toSet等：将数据流结果值转换为集合；first：获取数据流的第一个结果值；single：确保流发射单个（single）值；reduce：累积数据流中的值；fold：给定一个初始值，再累积数据流中的值。
末端操作符代码示例：
(1..3).asFlow().collectLatest {
delay(300)
//只能获取到3
}//转换为 List 集合 [1,2,3]
val list = (1..3).asFlow().toList()
//转换为 Set 集合 [1,2,3]
val set = (1..3).asFlow().toSet()val first = (1..3).asFlow().first()
//first 为第一个结果值 1val single = (1..3).asFlow().single()
//流不是发射的单个值，会抛异常val reduce = (1..3).asFlow().reduce { a, b ->
a + b
}
//reduce 的值为6=1+2+3 val fold = (1..3).asFlow().fold(10) { a, b ->
a + b
}
//fold 的值为16=10+1+2+3 除了上面这些末端操作符，在末端之前还关联着一些操作符：
onStart：在数据流结果值收集之前调用；onCompletion：在数据流结果值收集之后调用；onEmpty：在数据流完成而不发出任何元素时调用；onEach：在数据流结果值收集时迭代流的每个值；catch：在收集数据流结果时，声明式捕获异常。
末端关联操作符代码示例：
(1..3).asFlow().onStart {
Log.d("TestFlow", "onStart")
}.map {
if (it % 2 == 0)
throw IllegalArgumentException("fatal args:$it")
it * it
}.catch { emit(-1) }.onCompletion { Log.d("TestFlow", "onCompletion") }.onEach {
Log.d("TestFlow", "onEach:$it")
}.collect()
控制台输出结果：
TestFlow: onStart
TestFlow: onEach:1
TestFlow: onEach:-1
TestFlow: onCompletion总结：数据流进行数据消费时，可以结合末端操作符输出集合，累积值等，当要监听数据流收集结果值开始或结束，可以使用 onStart 和 onCompletion，当遇到流抛出异常，可以声明 catch进行异常处理。
总结
响应式编程，可以理解为一种面向数据流编程的方式，也就是使用数据源构建数据流 → 修改数据流中的值 → 处理数据流结果值，在这个过程中，一系列的事件或操作都是按顺序发生的。在 Java 环境中，RxJava 框架实现了响应式编程，它结合了数据流、观察者模式、线程框架；在 Kotlin 环境中，Kotlin 协程和 Flow 结合在一起实现了响应式编程，其中协程就是线程框架，Flow 就是数据流。不管是 RxJava 还是 Kotlin 协程和 Flow 的实现的响应式编程，它们的目的都是为了：使用优雅，简洁，易阅读，易维护的代码来编写并发编程，处理异步操作事件。另外，Android LifeCycle 和 ViewModel 对 Kotlin 协程和 Flow 进行了扩展支持，这也对异步事件进行生命周期管理更方便。
参考文档：
- GitHub RxJava：RxJava
- Kotlin Flow 操作符：异步流
- Google Android developer Kotlin Flow ：Android 上的 Kotlin 数据流
下一篇将探索 Kotlin Flow 冷流和热流。
链接：https://juejin.cn/post/7187586519534829623
来源：稀土掘金
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。
