Scala 函数式编程 (第二版)

Functional Programming in Scala, Second Edition

互动摘要 | 核心概念翻转卡片 | 事实与观点

Part 1: 函数式编程基础 (Introduction)
第1章：什么是函数式编程？
▼

本章确立了全书的基础：FP 是关于使用纯函数构建程序。

核心事实： 函数式编程是一种限制，它限制了我们编写程序的方式（不使用副作用），但并没有限制我们所能表达的程序类型。

通过消除副作用，我们获得了模块化，使程序更容易测试、复用、并行化和推理。

副作用 (Side Effects)

点击翻转查看定义
除了返回结果外，函数还做了其他事情（如修改变量、打印日志、抛出异常）。FP 旨在消除这些。

纯函数 (Pure Function)

点击翻转查看定义
一个没有副作用的函数。对于相同的输入，总是返回相同的输出。

引用透明性 (Referential Transparency)

点击翻转查看定义
如果一个表达式可以被它的计算结果替换而不改变程序的含义，则该表达式是引用透明的。
第2章：Scala 函数式编程起步
▼

介绍了 Scala 语言基础以及如何编写循环和高阶函数。

观点： 任何循环都可以重写为递归函数。

尾递归 (Tail Recursion)

@tailrec
递归调用发生在函数的最后一步。编译器可以将其优化为 while 循环，避免栈溢出。

高阶函数 (Higher-Order Functions)

函数作为一等公民
接受函数作为参数，或者返回一个函数的函数。
第3章：函数式数据结构
▼

讨论了不可变数据结构（如 List, Tree）的定义和操作。

事实： 函数式数据结构通过数据共享 (Data Sharing) 来实现效率，避免了防御性复制。

代数数据类型 (ADT)

enum / sealed trait
由一个或多个数据构造器定义的数据类型。通常是 Sum Type (和类型) 和 Product Type (积类型) 的组合。

模式匹配 (Pattern Matching)

match case
类似于 switch，但能深入解构数据结构的复杂逻辑。它是处理 ADT 的主要方式。
第4章：不使用异常处理错误
▼

异常破坏了引用透明性。本章引入了将错误作为值返回的概念。

Option[A]

Some(a) | None
表示一个可能存在也可能不存在的值。

Either[E, A]

Left(e) | Right(a)
表示两种可能类型之一。通常 Left 用于表示错误（Error），Right 用于表示正确（Correct）。
第5章：严格性与惰性 (Strictness and Laziness)
▼

介绍了非严格求值（惰性求值）以及如何利用它提高效率和模块化。

核心观点： 惰性允许我们将表达式的描述与表达式的求值分离开来。

Thunk

() => A
一个未被求值的表达式，在 Scala 中通常通过传名参数 (=> A) 实现。

LazyList (Stream)

智能构造器
元素的计算被推迟到真正需要时才进行。允许定义无限列表。
第6章：纯函数式状态
▼

如何在该没有副作用的情况下处理状态变更（如随机数生成）。

状态转移

S => (A, S)
不在原地修改变量，而是接受一个状态，返回一个结果值和一个新的状态。

State Monad

State[S, A]
封装了状态传递逻辑的类型，使得我们可以用看似命令式的方式（如 for-comprehension）编写纯函数式代码。
Part 2: 函数式设计与组合子库
第7章：纯函数式并行
▼

通过设计一个并行库（Par）来展示函数式库的设计过程。

设计原则： 先设计代数（API 和定律），再考虑实现。关注描述与执行的分离。

代数设计 (Algebraic Design)

API First
这种方法先规定接口和定律，然后由定律指导数据类型的表示选择。

Forking Law

fork(x) == x
这个定律揭示了如果实现不当（如使用固定大小线程池且立即执行），可能导致死锁。
第8章：基于属性的测试
▼

设计一个库来自动验证程序是否满足特定属性（Property）。

生成器 (Generator)

Gen[A]
知道如何生成测试数据的组件。可以组合、转换。

测试用例最小化 (Shrinking)

Minimization
当测试失败时，框架尝试找到导致失败的最小、最简单的输入，便于调试。
第9章：解析器组合子 (Parser Combinators)
▼

构建一个用于文本解析的库。通过组合小的解析器来构建复杂的解析器。

事实： 解析器本质上是一个接受输入并返回结果（或错误）的函数，通常带有状态（如当前位置）。

上下文敏感性 (Context Sensitivity)

flatMap
后续的解析行为依赖于前面的解析结果（例如：先解析一个数字N，再解析N个字符）。需要 flatMap 支持。
Part 3: 函数式设计的通用结构
第10章：Monoid (幺半群)
▼

介绍纯代数结构。Monoid 是最简单的结构之一。

Monoid 定义

结合律 + 幺元
类型 A，结合性二元操作 op(x,y)，以及单位元 zero。例子：(Int, +, 0), (String, +, "").

可折叠 (Foldable)

折叠数据结构
任何 Foldable 结构中的元素如果是一个 Monoid，就可以轻易地通过 combine 操作被归约为一个值。
第11章：Monad (单子)
▼

统一了之前的 Parser, Gen, Par, Option, State 等模式。Monad 是比 Applicative 更强大的抽象。

核心能力： Monad 允许上下文敏感的计算，即后续计算可以依赖于前一步计算的值。

Monad 最小原语

unit + flatMap
或者 unit + compose, 或者 unit + map + join。它们都必须满足结合律和同一律。

Kleisli 组合

A => F[B]
Monad 的结合律通过 Kleisli 箭头的组合 (compose) 来看最为清晰。
第12章：应用函子与可遍历函子 (Applicative & Traversable)
▼

Applicative 比 Monad 弱（更通用），Traversable 允许在保留结构的同时处理副作用。

观点： 如果你不需要 Monad 的全部能力（即不需要上下文敏感性），优先使用 Applicative，因为它更容易组合和并行化。

Applicative

map2 + unit
这里的计算结构是固定的（静态的）。不像 Monad，所有效果可以并行发生，因为它们不相互依赖。

Traversable

sequence / traverse
将 F[G[A]] 翻转为 G[F[A]]。例如将 List[Option[A]] 转换为 Option[List[A]]。
Part 4: 作用与 I/O
第13章：外部作用与 I/O
▼

如何纯粹地处理外部世界。区分了“副作用 (Side Effect)”与“作用 (Effect)”。

IO Monad

描述 vs 执行
IO[A] 只是一个关于计算的描述。只有在 interpreter（解释器）运行时，副作用才会发生。

Free Monad

代数与解释器分离
允许我们将程序的业务逻辑（代数）与具体的执行方式（解释器）完全解耦。

Trampolining

栈安全
用堆上的循环代替栈上的递归，解决 Monad 组合时的 StackOverflowError 问题。
第14章：局部作用与可变状态
▼

如果副作用对外不可见，那么它就是纯的。本章引入了 ST Monad 来处理局部可变状态。

核心概念： 纯度是上下文相关的。 如果我们能在类型系统中证明可变状态不会逃逸出局部作用域，那么整个函数就是纯的。

ST Monad

局部状态线程
利用 Scala 的类型系统（Rank-2 Polymorphism）保证可变引用（STRef/STArray）绝不会泄露到创建它的作用域之外。
第15章：流处理与增量 I/O
▼

解决 IO Monad 无法高效、组合式地处理大数据流的问题。

问题： 简单的 IO Monad 往往导致即使读取大文件也必须一次性读入内存，或者必须编写巨大的 monolithic 循环，无法组合。

Stream / Pull

增量处理
定义了能够按需生成元素、处理错误并确保资源安全释放（Resource Safety）的流式处理模型。

Pipe

转换流
独立的流转换逻辑，可以将输入流转换为输出流，并可以像函数一样组合。

🌟 关键金句

"FP 是一种对我们编写程序方式的限制，而不是对我们所能表达的程序内容的限制。"
"每一个带有副作用的函数内部，都潜藏着一个纯函数等待被释放。"
"Monoid 是关于折叠（Folding）的，Monad 是关于测序（Sequencing）的。"
"引用透明性强制了一个不变量：函数所做的一切都由其返回值表示。"
"我们并不是在编写可以被测试的程序，而是在编写可以被证明的程序。"

原文

源链接