关于Mono和Flux的理解

1. 前言

很多同学反映对响应式编程中的Flux和Mono这两个Reactor中的概念有点懵逼。但是目前Java响应式编程中我们对这两个对象的接触又最多，诸如Spring WebFlux、RSocket、R2DBC。我开始也对这两个对象头疼，所以今天我们就简单来探讨一下它们。

2. 响应流的特点

要搞清楚这两个概念，必须说一下响应流规范。它是响应式编程的基石。他具有以下特点：

• 响应流必须是无阻塞的。
• 响应流必须是一个数据流。
• 它必须可以异步执行。
• 并且它也应该能够处理背压。

背压是反应流中的一个重要概念，可以理解为，生产者可以感受到消费者反馈的消费压力，并根据压力进行动态调整生产速率。形象点可以按照下面理解：

有没有背压的两种情形

1. 被观察者产生事件慢一些，观察者处理事件很快。那么观察者就会等着被观察者发送事件，（好比观察者在等米下锅，程序等待，这没有问题）。
2. 被观察者产生事件的速度很快，而观察者处理很慢。那就出问题了，如果不作处理的话，事件会堆积起来，最终挤爆你的内存，导致程序崩溃。（好比被观察者生产的大米没人吃，堆积最后就会烂掉）。为了方便下面理解Mono和Flux，也可以理解为Publisher（发布者也可以理解为被观察者）主动推送数据给Subscriber（订阅者也可以叫观察者），如果Publisher发布消息太快，超过了Subscriber的处理速度，如何处理。这时就出现了Backpressure（背压-----指在异步场景中，被观察者发送事件速度远快于观察者的处理速度的情况下，一种告诉上游的被观察者降低发送速度的策略）

 

3. Publisher

由于响应流的特点，我们不能再返回一个简单的POJO对象来表示结果了。必须返回一个类似Java中的Future的概念，在有结果可用时通知消费者进行消费响应。

Reactive Stream规范中这种被定义为Publisher ，Publisher是一个可以提供 0-N 个序列元素的提供者，并根据其订阅者Subscriber的需求推送元素。一个Publisher可以支持多个订阅者，并可以根据订阅者的逻辑进行推送序列元素。下面这个Excel计算就能说明一些Publisher的特点。

A1-A9就可以看做Publisher及其提供的元素序列。A10-A13分别是求和函数SUM(A1:A9)、平均函数AVERAGE(A1:A9)、最大值函数MAX(A1:A9)、最小值函数MIN(A1:A9)，可以看作订阅者Subscriber。假如说我们没有A10-A13，那么A1-A9就没有实际意义，它们并不产生计算。这也是响应式的一个重要特点：当没有订阅时发布者什么也不做。

而Flux和Mono都是Publisher在Reactor 3实现。Publisher提供了subscribe方法，允许消费者在有结果可用时进行消费。如果没有消费者Publisher不会做任何事情，他根据消费情况进行响应。Publisher可能返回零或者多个，甚至可能是无限的，为了更加清晰表示期待的结果就引入了两个实现模型Mono和Flux。

4. Flux

Flux是一个发出(emit)0-N个元素组成的异步序列的Publisher,可以被onComplete信号或者onError信号所终止。在响应流规范中存在三种给下游消费者调用的方法 onNext, onComplete, 和onError。下面这张图表示了 Flux 的抽象模型：

Flux

以上的的讲解对于初次接触反应式编程的依然是难以理解的，所以这里有一个循序渐进的理解过程。

有些类比并不是很妥当，但是对于你循序渐进的理解这些新概念还是有帮助的。

传统数据处理

我们在平常是这么写的：

1. public List<ClientUser> allUsers() { 
2.     return Arrays.asList(new ClientUser("felord.cn", "reactive"), 
3.             new ClientUser("Felordcn", "Reactor")); 
4. } 

我们通过迭代返回值List来get这些元素进行再处理(消费)，这种方式有点类似厨师做了很多菜，吃不吃在于食客。需要食客主动去来吃就行了(pull的方式)，至于喜欢吃什么不喜欢吃什么自己随意，怎么吃也自己随意。

流式数据处理

在Java 8中我们可以改写为流的表示：

1. public Stream<ClientUser> allUsers() { 
2.     return  Stream.of(new ClientUser("felord.cn", "reactive"), 
3.             new ClientUser("Felordcn", "Reactor")); 
4. } 

依然是厨师做了很多菜，但是这种就更加高级了一些，提供了菜品的搭配方式(不包含具体细节)，食客可以按照说明根据自己的习惯搭配着去吃，一但开始概不退换，吃完为止，过期不候。

反应式数据处理

在Reactor中我们又可以改写为Flux表示：

1. public Flux<ClientUser> allUsers(){ 
2.     return Flux.just(new ClientUser("felord.cn", "reactive"), 
3.             new ClientUser("Felordcn", "Reactor")); 
4. } 

这时候食客只需要订餐就行了，做好了自然就呈上来，而且可以随时根据食客的饭量进行调整。如果没有食客订餐那么厨师就什么都不用做。当然不止有这么点特性，不过对于方便我们理解来说这就够了。

5. Mono

Mono 是一个发出(emit)0-1个元素的Publisher,可以被onComplete信号或者onError信号所终止。

Mono

这里就不翻译了，整体和Flux差不多，只不过这里只会发出 0-1 个元素。也就是说不是有就是没有。象Flux一样，我们来看看Mono的演化过程以帮助理解。

传统数据处理

1. public ClientUser currentUser () { 
2.     return isAuthenticated ? new ClientUser("felord.cn", "reactive") : null; 
3. } 

直接返回符合条件的对象或者null。

Optional 的处理方式

1. public Optional<ClientUser> currentUser () { 
2.     return isAuthenticated ? Optional.of(new ClientUser("felord.cn", "reactive")) 
3.             : Optional.empty(); 
4. } 

这个Optional我觉得就有反应式的那种味儿了，当然它并不是反应式。当我们不从返回值Optional取其中具体的对象时，我们不清楚里面到底有没有，但是Optional是一定客观存在的,不会出现NPE问题。

反应式数据处理

1. public Mono<ClientUser> currentUser () { 
2.     return isAuthenticated ? Mono.just(new ClientUser("felord.cn", "reactive")) 
3.             : Mono.empty(); 
4. } 

和Optional有点类似的机制，当然Mono不是为了解决NPE问题的，它是为了处理响应流中单个值(也可能是Void)而存在的。

6. 总结

Flux和Mono是Java反应式中的重要概念，但是很多同学包括我在开始都难以理解它们。这其实是规定了两种流式范式，这种范式让数据具有一些新的特性，比如基于发布订阅的事件驱动，异步流、背压等等。另外数据是推送(Push)给消费者的以区别于平时我们的拉(Pull)模式。同时我们可以像Stream Api一样使用类似map、flatmap等操作符(operator)来操作它们。对Flux和Mono这两个概念需要花一些时间去理解它们，不能操之过急。