Iteratees和FRP之间有什么联系？

Question

在我看来，这两个想法之间有很强的联系。我的猜测是，如果有一种方法可以用 Iteratees 表达任意图，那么 FRP 可以根据 Iteratees 来实现。但是 afaik 他们只支持链状结构。

有人能解释一下吗？

Answer 1

情况正好相反。 AFRP 和流处理之间有很强的联系。其实AFRP是一种流处理的形式，你可以用这个成语来实现和管道很相似的东西：

data Pipe m a b =
    Pipe {
      cleanup :: m (),
      feed    :: [a] -> m (Maybe [b], Pipe m a b)
    }

这是 Netwire 中电线类别的扩展。它接收下一个输入块，并在停止生成时返回 Nothing。使用此文件阅读器将具有以下类型：

readFile :: (MonadIO m) => FilePath -> Pipe m a ByteString

Pipe 是一系列应用函子，因此要将一个简单的函数应用于流元素，您只需使用 fmap：

fmap (B.map toUpper) . readFile

为了您的方便，它也是一个profunctors。

最有趣的特点是这是一个替代函子家族。这使您可以路由流并允许多个流处理器在放弃之前“尝试”。这可以扩展到一个成熟的解析库，甚至可以使用一些静态信息进行优化。

Answer 2

您可以使用流处理器实现有限形式的 FRP。例如，使用pipes 库，您可以定义事件源：

mouseCoordinates :: (Proxy p) => () -> Producer p MouseCoord IO r

...您可以类似地定义一个图形处理程序，该处理程序获取鼠标坐标并更新画布上的光标：

coordHandler :: (Proxy p) => () -> Consumer p MouseCoord IO r

然后您将使用组合将鼠标事件连接到处理程序：

>>> runProxy $ mouseCoordinates >-> coordHandler

它会按照您期望的方式运行。

正如您所说，这适用于单个阶段链，但是更任意的拓扑呢？好吧，事实证明，由于pipes 的中心Proxy 类型是一个monad 转换器，您可以通过在它们自身之上嵌套代理monad 转换器来对任意拓扑进行建模。例如，以下是压缩两个输入流的方法：

zipD
 :: (Monad m, Proxy p1, Proxy p2, Proxy p3)
 => () -> Consumer p1 a (Consumer p2 b (Producer p3 (a, b) m)) r
zipD () = runIdentityP $ hoist (runIdentityP . hoist runIdentityP) $ forever $ do
    a <- request ()               -- Request from the outer Consumer
    b <- lift $ request ()        -- Request from the inner consumer
    lift $ lift $ respond (a, b)  -- Respond to the Producer

这表现得像一个柯里化函数。您可以按顺序将其部分应用到每个输入，然后在完全应用后运行它。

-- 1st application
p1 = runProxyK $ zipD   <-< fromListS [1..]

-- 2nd application
p2 = runProxyK $ p2     <-< fromListS [4..6]

-- 3rd application
p3 = runProxy  $ printD <-< p3

它按照您期望的方式运行：

>>> p3
(1, 4)
(2, 5)
(3, 6)

这个技巧可以推广到任何拓扑。您可以在“分支、压缩和合并”部分的 Control.Proxy.Tutorial 中找到更多详细信息。特别是，您应该查看它用作示例的 fork 组合器，它可以让您将一个流拆分为两个输出。