Question

在我看来，这两种观点之间存在着密切的联系。我的猜测是，如果有一种方法可以用迭代器表示任意图形，那么FRP可以用Iteratees来实现。但是afaik他们只支持链式结构。

有人可以对此有所了解吗？

Answer 1

反过来说。 AFRP和流处理之间存在很强的联系。实际上AFRP 是流处理的一种形式，您可以使用该惯用法实现与管道非常相似的东西：

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

这是Netwire中的电线类别的扩展。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是一系列应用程序仿函数，因此要将简单函数应用于流元素，只需使用 fmap ：

fmap (B.map toUpper) . readFile

为方便起见，它也是一个系列的人。

最有趣的特点是，这是一系列替代函子。这允许您路由流并允许多个流处理器在放弃之前“尝试”。这可以扩展到一个完整的解析库，它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

...你可以类似地定义一个图形处理程序，它接受鼠标坐标并在画布上更新光标：

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

然后，您将使用合成将鼠标事件连接到处理程序：

>>> runProxy $ mouseCoordinates >-> coordHandler

它会按照你期望的方式运行。

就像你说的那样，这适用于单个连锁阶段，但是更多的任意拓扑呢？好吧，事实证明，由于Proxy的中心pipes类型是monad变换器，您可以通过在其自身之上嵌套代理monad变换器来对任意拓扑进行建模。例如，以下是如何压缩两个输入流：

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

这就像一个curried函数。您可以按顺序将其部分应用于每个输入，然后可以在完全应用它时运行它。

-- 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)

此技巧适用于任何拓扑。您可以在“分支，拉链和合并”部分的Control.Proxy.Tutorial中找到有关此内容的更多详细信息。特别是，您应该查看它使用的fork组合器作为示例，它允许您将流拆分为两个输出。

Iteratees和FRP之间有什么联系？

2 个答案: