模式匹配的简介
scala语言里的模式匹配可以看作是java语言中switch语句的改进。
模式匹配的类型
包括：常量模式、变量模式、构造器模式、序列模式、元组模式以及变量绑定模式等。
常量模式匹配
常量模式匹配，就是在模式匹配中匹配常量啦。
objectConstantPattern{
def main(args:Array[String]) :Unit = {
//模式匹配结果作为函数返回值
defpatternShow(x : Any) = x match {
case 5 => "五"
case true => "真"
case "test" => "字符串"
case null => "null值"
case Nil => "空列表"
case _ => "其他常量"
}
println(patternShow(5))
println(patternShow(true))
println(patternShow(List()))
}
}
变量匹配
变量匹配，匹的是case语句后面接的是scala变量，如case x if(x == 5) => x等，在使用时一般会加守卫条件，当然也可以像case x => x这样使用，它会匹配任何输入的合法变量。
objectVariablePattern{
def main(args:Array[String]) :Unit = {
//模式匹配结果作为函数返回值
defpatternShow(x : Any) = x match {
case x if (x == 5) => x
case x if (x == "Scala") => x
case _ =>
}
println(patternShow(5))
println(patternShow("Scala"))
}
}
构造器模式
构造器模式指的是，直接在case语句后面接类构造器，匹配的内容放置在构造器参数中。
//将Person类定义为case class
case class Person(name : String,age : Int)
object ConstructorPattern{
def main(args:Array[String]) :Unit = {
val p = new Person("nyz",27)
def constructorPattern(p : Person) = p match {
//构造器模式必须将Person类定义为case class,否则需要自己定义伴生对象并实现unapply方法。
case Person(name,age) => "name =" + name + ",age =" + age
//case Person(_,age) => "age =" + age
case _ => "Other"
}
println(constructorPattern(p))
}
}
序列化模式
序列模式用于匹配如数组Array、列表List、Range这样的线性结构集合，其实原理也是通过case class起作用的。
object SequencePattern{
def main(args:Array[String]) :Unit = {
val list = List("spark","Hive","SparkSQL")
val arr = Array("SparkR","Spark Streaming","Spark MLib")
def sequencePattern(p : Any) = p match {{
//序列模式匹配，_*表示匹配剩余内容，first、second匹配数组p中的第一、二个元素
case Array(first,second,_*) => first + "," + second
//_匹配数组p的第一个元素，但不赋给任何变量
case List(_,second,_*) => second
case _ => "Other"
}
println(SequencePattern(list))
println(SequencePattern(arr))
}
}
元组模式
元组模式用于匹配scala中的元组内容，用于匹配元组类型的变量内容。
object TuplePattern{
def main(args:Array[String]) :Unit = {
val list = List("spark","Hive","SparkSQL")
def tuplePattern(t : Any) = t match {{
case (one,_,_) => one
//_*不适合用于元组，只适用于序列
//case (one,_*) => one
case _ => "Other"
}
println(tuplePattern(t))
}
}
类型模式
它可以匹配输入待匹配变量的类型
object TypePattern{
def main(args:Array[String]) :Unit = {
def typePattern(t : Any) = t match {{
case t : String => "String"
case t : Int => "Intger"
case t : Double => "Double"
case _ => "Other Type"
}
println(typePattern(5.0))
println(typePattern(5))
println(typePattern("5"))
println(typePattern(List()))
}
}
变量绑定模式
在进行模式匹配时，有时不仅仅只是返回一个变量，也可以将某个变量绑定到某个模式上。
从而将整体匹配结果赋值给该变量。
具体使用方法是在模式前面加变量和@符号。
object VariableBindingPattern{
def main(args:Array[String]) :Unit = {
var t = List(List(1,2,3),List(2,3,4))
def variableBindingPattern(t : Any) = t match {{
//变量绑定，采用变量名（这里是e）
//与@符号，如果后面的模式匹配成功，则将整体匹配结果作为返回值
case List(_,e@List(_,_,_)) => e
case _ => Nil
}
println(variableBindingPattern(t))
}
}
package com.dt.spark.scala.basics
class DataFrameWork
case class ComputationFramework(name : String, popular : Boolean) extends DataFrameWork
case class StorageFramework(name : String, popular : Boolean) extends DataFrameWork
object HelloPatternMatch {
def main(args: Array[String]): Unit = {
getSalary("Hadoop MapReduce")
// getSalary("cdcdc",6)
getMatchType(100)
getMatchCollection(Array("Spark","Python"))
getBigDataType(ComputationFramework("Spark",true))
getBigDataType(ComputationFramework("Spark",false))
getBigDataType(StorageFramework("HDFS",true))
getValue("Spark",Map("Spark" -> "The hottest！" , "Hadoop " -> "The old ！"))
}
//对于匹配模式来说，不需什么break，只要匹配到，就不往下了
def getSalary(name : String) {
// def getSalary(name : String,age : Int) {
name match {
case "Spark" => println("$1500/year")//表示，如果传入是Spark，则说明匹配成功，执行=>后的语句
case "Hadoop" => println("$1000/year")
case _ if name == "Scala" => println("$1800/year")//_ if name == "Scala"是守卫条件的方式，
case _ if name == "Hadoop MapReduce" => println("$800/year")
// case _name if age >= 5 => println("name : " + _name + " age : " + age + "$100/year")//getSalary("cdcdc",6)
case _ => println("$90/year")//_是前面没匹配的。即其他
//如case _ if (i%4 ==0) => println("$1800/year")这是带守卫条件的方式，对变量的值进行判断。
}
}
def getMatchType(msg : Any) {
msg match {
case i : Int => println("Integer")
case s : String => println("String")
case d : Double => println("Double")
case array : Array[Int] => println("Array")
case _ => println("Unkoen type")
}
}
def getMatchCollection(msg : Any) {
msg match {
case Array("Scala") => println("One element")
case Array("Scala","Java")=> println("Two element")
case Array("Spark", _*) => println("Many elements begins with Spark")
case _ => println("Unkoen type")
}
}
def getBigDataType(data : DataFrameWork) {
data match {
case ComputationFramework(name, popular) => println("ComputationFramework : " + "name : " + name + "popular : " + popular)
case StorageFramework(name, popular) => println("StorageFramework : " + "name : " + name + "popular : " + popular)
case _ => println("Some other type")
}
}
def getValue(key : String , content : Map[String,String]){
content.get(key) match {
case Some(value) => println(value)
case None => println("Not Found!!!")
}
}
本文转自大数据躺过的坑博客园博客，原文链接：http://www.cnblogs.com/zlslch/p/6115392.html，如需转载请自行联系原作者
