Transformer 用途
Transformer，顾名思义是转换器的意思。早在 RxJava1.x 版本就有了Observable.Transformer、Single.Transformer和Completable.Transformer，在2.x版本中变成了ObservableTransformer、SingleTransformer、CompletableTransformer、FlowableTransformer和MaybeTransformer。其中，FlowableTransformer和MaybeTransformer是新增的。由于 RxJava2 将Observable拆分成 Observable 和 Flowable，所以多了一个FlowableTransformer。同时，Maybe是 RxJava2 新增的一个类型，所以多了MaybeTransformer。
Transformer 能够将一个 Observable/Flowable/Single/Completable/Maybe 对象转换成另一个 Observable/Flowable/Single/Completable/Maybe 对象，和调用一系列的内联操作符是一模一样的。
举个简单的例子，写一个transformer()方法将一个发射整数的Observable转换为发射字符串的Observable。
public static <String> ObservableTransformer<Integer, java.lang.String> transformer() { return new ObservableTransformer<Integer, java.lang.String>() { @Override public ObservableSource<java.lang.String> apply(@NonNull Observable<Integer> upstream) { return upstream.map(new Function<Integer, java.lang.String>() { @Override public java.lang.String apply(@NonNull Integer integer) throws Exception { return java.lang.String.valueOf(integer); } }); } }; }
接下来是使用transformer()方法，通过标准的RxJava的操作。
Observable.just(123,456) .compose(transformer()) .subscribe(new Consumer<String>() { @Override public void accept(@io.reactivex.annotations.NonNull String s) throws Exception { System.out.println("s="+s); } });
最后打印了二次，分别是
s=123 s=456
通过这个例子，可以简单和直观地了解到Transformer的作用。
其实，在大名鼎鼎的图片加载框架 Glide 以及 Picasso 中也有类似的transform概念，能够将图形进行变换。
跟compose操作符相结合
compose操作于整个数据流中，能够从数据流中得到原始的Observable<T>/Flowable<T>...
当创建Observable/Flowable...时，compose操作符会立即执行，而不像其他的操作符需要在onNext()调用后才执行。
关于compose操作符，老外的这篇文章不错Don't break the chain: use RxJava's compose() operator
国内也有相应的翻译【译】避免打断链式结构：使用.compose( )操作符
常用的场景
1. 切换到主线程
对于网络请求，我们经常会做如下的操作来切换线程。
.subscribeOn(Schedulers.io()) .observeOn(AndroidSchedulers.mainThread())
于是，我做了一个简单的封装。
import io.reactivex.FlowableTransformer import io.reactivex.ObservableTransformer import io.reactivex.android.schedulers.AndroidSchedulers import io.reactivex.schedulers.Schedulers /** * Created by Tony Shen on 2017/7/13. */ object RxJavaUtils { @JvmStatic fun <T> observableToMain():ObservableTransformer<T, T> { return ObservableTransformer{ upstream -> upstream.subscribeOn(Schedulers.io()) .observeOn(AndroidSchedulers.mainThread()) } } @JvmStatic fun <T> flowableToMain(): FlowableTransformer<T, T> { return FlowableTransformer{ upstream -> upstream.subscribeOn(Schedulers.io()) .observeOn(AndroidSchedulers.mainThread()) } } }
上面这段代码是Kotlin写的，为啥不用Java？个人习惯把一些工具类来用Kotlin来编写，而且使用lambda表达式也更为直观。
对于Flowable切换到主线程的操作，可以这样使用
.compose(RxJavaUtils.flowableToMain())
2. RxLifecycle中的LifecycleTransformer
trello出品的RxLifecycle能够配合Android的生命周期，防止App内存泄漏，其中就使用了LifecycleTransformer。
知乎也做了一个类似的RxLifecycle，能够做同样的事情。
在我的项目中也使用了知乎的RxLifecycle，根据个人的习惯和爱好，我对LifecycleTransformer稍微做了一些修改，将五个Transformer合并成了一个。
import org.reactivestreams.Publisher; import io.reactivex.Completable; import io.reactivex.CompletableSource; import io.reactivex.CompletableTransformer; import io.reactivex.Flowable; import io.reactivex.FlowableTransformer; import io.reactivex.Maybe; import io.reactivex.MaybeSource; import io.reactivex.MaybeTransformer; import io.reactivex.Observable; import io.reactivex.ObservableSource; import io.reactivex.ObservableTransformer; import io.reactivex.Single; import io.reactivex.SingleSource; import io.reactivex.SingleTransformer; import io.reactivex.annotations.NonNull; import io.reactivex.functions.Function; import io.reactivex.functions.Predicate; import io.reactivex.processors.BehaviorProcessor; /** * Created by Tony Shen on 2017/5/25. */ public class LifecycleTransformer<T> implements ObservableTransformer<T, T>, FlowableTransformer<T, T>, SingleTransformer<T, T>, MaybeTransformer<T, T>, CompletableTransformer { private final BehaviorProcessor<Integer> lifecycleBehavior; private LifecycleTransformer() throws IllegalAccessException { throw new IllegalAccessException(); } public LifecycleTransformer(@NonNull BehaviorProcessor<Integer> lifecycleBehavior) { this.lifecycleBehavior = lifecycleBehavior; } @Override public CompletableSource apply(Completable upstream) { return upstream.ambWith( lifecycleBehavior.filter(new Predicate<Integer>() { @Override public boolean test(@LifecyclePublisher.Event Integer event) throws Exception { return event == LifecyclePublisher.ON_DESTROY_VIEW || event == LifecyclePublisher.ON_DESTROY || event == LifecyclePublisher.ON_DETACH; } }).take(1).flatMapCompletable(new Function<Integer, Completable>() { @Override public Completable apply(Integer flowable) throws Exception { return Completable.complete(); } }) ); } @Override public Publisher<T> apply(final Flowable<T> upstream) { return upstream.takeUntil( lifecycleBehavior.skipWhile(new Predicate<Integer>() { @Override public boolean test(@LifecyclePublisher.Event Integer event) throws Exception { return event != LifecyclePublisher.ON_DESTROY_VIEW && event != LifecyclePublisher.ON_DESTROY && event != LifecyclePublisher.ON_DETACH; } }) ); } @Override public MaybeSource<T> apply(Maybe<T> upstream) { return upstream.takeUntil( lifecycleBehavior.skipWhile(new Predicate<Integer>() { @Override public boolean test(@LifecyclePublisher.Event Integer event) throws Exception { return event != LifecyclePublisher.ON_DESTROY_VIEW && event != LifecyclePublisher.ON_DESTROY && event != LifecyclePublisher.ON_DETACH; } }) ); } @Override public ObservableSource<T> apply(Observable<T> upstream) { return upstream.takeUntil( lifecycleBehavior.skipWhile(new Predicate<Integer>() { @Override public boolean test(@LifecyclePublisher.Event Integer event) throws Exception { return event != LifecyclePublisher.ON_DESTROY_VIEW && event != LifecyclePublisher.ON_DESTROY && event != LifecyclePublisher.ON_DETACH; } }).toObservable() ); } @Override public SingleSource<T> apply(Single<T> upstream) { return upstream.takeUntil( lifecycleBehavior.skipWhile(new Predicate<Integer>() { @Override public boolean test(@LifecyclePublisher.Event Integer event) throws Exception { return event != LifecyclePublisher.ON_DESTROY_VIEW && event != LifecyclePublisher.ON_DESTROY && event != LifecyclePublisher.ON_DETACH; } }) ); } }
3. 缓存的使用
对于缓存，我们大致都会这样写
cache.put(key,value);
更优雅一点的做法是使用AOP，大致会这样写
@Cacheable(key = "...") getValue() { .... }
如果你想在RxJava的链式调用中也使用缓存，还可以考虑使用transformer的方式，下面我写了一个简单的方法
/** * Created by Tony Shen on 2017/7/13. */ public class RxCache { public static <T> FlowableTransformer<T, T> transformer(final String key, final Cache cache) { return new FlowableTransformer<T, T>() { @Override public Publisher<T> apply(@NonNull Flowable<T> upstream) { return upstream.map(new Function<T, T>() { @Override public T apply(@NonNull T t) throws Exception { cache.put(key,(Serializable) t); return t; } }); } }; } }
结合上述三种使用场景，封装了一个方法用于获取内容，在这里网络框架使用Retrofit。虽然Retrofit本身支持通过Interceptor的方式来添加Cache，但是可能某些业务场景下还是想用自己的Cache，那么可以采用下面类似的封装。
/** * 获取内容 * @param fragment * @param param * @param cacheKey * @return */ public Flowable<ContentModel> getContent(Fragment fragment,ContentParam param,String cacheKey) { return apiService.loadVideoContent(param) .compose(RxLifecycle.bind(fragment).<ContentModel>toLifecycleTransformer()) .compose(RxJavaUtils.<ContentModel>flowableToMain()) .compose(RxCache.<ContentModel>transformer(cacheKey,App.getInstance().cache)); }
4. 追踪RxJava的使用
初学者可能会对RxJava内部的数据流向会感到困惑，所以我写了一个类用于追踪RxJava的使用，对于调试代码还蛮有帮助的。
先来看一个简单的例子
Observable.just("tony","cafei","aaron") .compose(RxTrace.<String>logObservable("first",RxTrace.LOG_SUBSCRIBE|RxTrace.LOG_NEXT_DATA)) .subscribe(new Consumer<String>() { @Override public void accept(@io.reactivex.annotations.NonNull String s) throws Exception { System.out.println("s="+s); } });
下图显示了上面代码中的数据流向。
第一次做Trace.png
然后，再刚才代码的基础上加一个map操作符，把小写的字符串都转换成大写。
Observable.just("tony","cafei","aaron") .compose(RxTrace.<String>logObservable("first",RxTrace.LOG_SUBSCRIBE|RxTrace.LOG_NEXT_DATA)) .map(new Function<String, String>() { @Override public String apply(@io.reactivex.annotations.NonNull String s) throws Exception { return s.toUpperCase(); } }) .compose(RxTrace.<String>logObservable("second",RxTrace.LOG_NEXT_DATA)) .subscribe(new Consumer<String>() { @Override public void accept(@io.reactivex.annotations.NonNull String s) throws Exception { System.out.println("s="+s); } });
看看这一次数据是怎样流向的，由于显示器不够大，其实截图还少了一点内容:(，但是能够看明白日志的展示。
第二次做Trace.png
最后，加上监测onComlete和OnTerminate
Observable.just("tony","cafei","aaron") .compose(RxTrace.<String>logObservable("first",RxTrace.LOG_SUBSCRIBE|RxTrace.LOG_NEXT_DATA)) .map(new Function<String, String>() { @Override public String apply(@io.reactivex.annotations.NonNull String s) throws Exception { return s.toUpperCase(); } }) .compose(RxTrace.<String>logObservable("second",RxTrace.LOG_NEXT_DATA)) .compose(RxJavaUtils.<String>observableToMain()) .compose(RxTrace.<String>logObservable("third",RxTrace.LOG_COMPLETE|RxTrace.LOG_TERMINATE)) .subscribe(new Consumer<String>() { @Override public void accept(@io.reactivex.annotations.NonNull String s) throws Exception { System.out.println("s="+s); } });
上面已经展示过的截图就不显示了，就展示最后的onComlete和OnTerminate。
第三次做Trace.png
最后，我已经把RxTrace的代码放到https://github.com/fengzhizi715/SAF-Kotlin-log
为何不单独开一个repository呢？它只有一个类，我就懒得创建了:(
总结
compose操作符和Transformer结合使用，一方面让代码看起来更加简洁化，另一方面能够提高代码的复用性。RxJava提倡链式调用，compose能够防止链式被打破。
