Square对iOS App架构的新尝试---Ziggurat

Ziggurat是一种针对iOS应用的架构模式,旨在通过单向数据流和分层设计解决传统MVC架构中的问题,如ViewController过于臃肿、调试困难等。此模式引入了服务器、渲染器等组件,简化了业务逻辑,提高了可测试性。

今年六月,我做了一场关于避免臃肿的ViewController的演讲,用Swift讲解了一种采用“单向数据流”的架构模式。当时并没有发布相关的博客,甚至没有给这个架构起个名字。现在两者都有了。首先介绍一下Ziggurat:它是一种通过不可变的视图模型和单向数据流来实现的分层的、易测试的架构模式。

QQ截图20160125114424.png

这个架构的名字Ziggurat是根据阶梯状的金字塔得来的。像金字塔的阶梯一样,数据以数据流的形式单向地沿着App的层级传递,并逐层缩小。单向不可变的数据流可以减少认知负载,同时使类也变得更加瘦小。和Ziggurat相比,典型的MVC架构显得缺少了一些指导性,对数据和状态的操作可能散落各处,包括ViewController。

Ziggurat结合了大量讨论和文章中的概念,相关内容列在了下文中更多参考部分。(剧透一下:这个架构的灵感来源于之前Facebook关于React Native的讨论,并且它和Flux也很相似)。这里提及的这些架构模式与MVC相比都是一种更好的选择。

下面将具体介绍Ziggurat:阐述它的背景,权衡分析优缺点,定义它的组件,并通过一个例子来介绍它的用法。

MVC带来的问题

Ziggurat是MVC的替代选择。MVC只是简单地将每部分的责任分离开,但并没有将每个角色和责任分离的很清晰适当。下面是MVC带来的常见问题:

  • 臃肿的ViewController

ViewController负责处理数据、管理I/O、请求API、包含了Model类,以及其他超出它的范围的任务:管理视图及UI事件。

  • 共用数据造成很难调试的Bug

谁应该处理数据?什么时候处理数据?如果不经过精心设计,那么答案将是谁都可以处理、什么时候都能处理。没有搞清这些会造成一些列的连锁效应。

  • 太多的责任导致难以测试

没有采用单一责任原则时会使界限变得不明确且不易发现。

在实践中,由MVC缺少隔离导致的App没有一种清晰地设计模式使得测试和调试bug变得非常困难。对一份代码,不应该让工程师们通过将一个App的设计模式和数据模型做逆向工程的方式来提高工作效率。

描述组件和单向数据流

slide.png

上图直观描述了Ziggurat的单向数据流( 这里是演示)

  • 一个外部事件触发(例如用户输入)

  • ViewController通知服务器它收到了用户输入

  • 服务器开始解析或确认此次输入并可能对改变其状态(只有服务器能改变其状态)。然后调用signal()方法

  • signal()方法通知渲染器开始更新

  • 渲染器通知展示者,并生成一个View Model(服务器不会打断循环渲染过程)

  • 渲染器将View Model 传递给View Controller

  • 渲染循环等待下一个外部事件触发

权衡分析优缺点

Ziggurat架构模式解决了MVC App面临的常见问题:

  • 臃肿的View Controller

多层的架构模式为所有功能提供了清晰的根节点,从而避免了臃肿的View Controller

  • 共用数据造成很难调试的Bug

减少了无状态性和易变性:服务器层封装了易变的发生(将它限制在主线程上),并且展现者和渲染都是无状态的和单向的。使用依赖注入代替了公用状态和全局单例。

  • 太多责任导致难以测试

更加瘦小的分层使责任分布得更均匀

带来的改进

Ziggurat以很多方式优化了我们的生活,它使小团队的工程师们(从没有经验到几年经验)可以在很短的期限内完成任务。

首先,它通过给工程师在面对新代码库时提供指导和保护性措施的方式,清晰地定义了App的层级和角色。新工程师对它的上手时间很短,因为每个组件都定义的很明确并且符合人们的直观感觉。其次,Ziggurat模式非常易于测试。例如,可以用View Model层来将数据以目标结构输出。这点在MVC中是无法实现的。

单向数据流避免了MVC。不可变类型,更小的类(良好的结构),更多的分层减少了工程师们的精力消耗。它可以很简单地以轻松方式来运行你的App,因为View层中不必包含业务逻辑;所有的业务逻辑都是可测试的而不要View层;View的状态可以通过View Model层在某一时间点的快照来重新创建。最后,我们发现这使得App变得非常轻便。多亏了这种分层的方式和依赖注入,可以轻松实现代码移植。

带来的问题

Ziggurat会使一些方面变得更加困难,比如动画。我们建议在不需要很多动画的App中使用Ziggurat。在View Controller中实现的动画会在将来调用有关更新的方法时遭到破坏,如果不小心控制这点的话会造成界面的闪动。在Flux中,使用了React Native来解决这个问题。

此外,虽然提供了编译期的检查,在逐层传递数据时还是会带来一些样板代码。并且信号数据在传输时会存在潜在性的瓶颈。与React不同,属性变量不是KVO的;而是通过View Model的方式来更新属性。这里可能需要做一些优化,比如减少一些不需要的渲染或是调整一下你的View Model。

依赖注入需要小心地设计。我们最初的方法就导致了一张很大的由类组成的网。我们用了一些循环的依赖,导致最后不得不重构。

结论

在新项目中有机会尝试新的想法。MVC存在很多明显的劣势。与此同时,一些主题的讨论比如Flux、React Native、广泛地使用Swift的值类型等正在业界形成了一股势头。

我们混合使用了上面的想法,用Swift写了程序。我们感到很兴奋对于使用单向数据流带来的效果:可测试性、依赖注入、轻量级的View Controller、值类型的View Model。

这是关于Ziggurat权衡优缺点的分析,但到目前为止它仍可以很好地服务于我们。我们希望你在下一个项目中考虑采用一些这些想法(或者全部采用!),尤其是在你打算使用MVC之前。

更多参考

我看了早期的关于React的视频,它们是Ziggurat灵感的直接来源。FluxReact Native使用了相同的概念并且是通过JavaScript实现的。

Flux是一种很强健的,以action为中心的设计模式,并且可以结合React Native一起使用。Ziggurat在涉及动画较少的App中使用会非常容易,(Flux同样存在这个问题,但React Native中解决了这个问题)

我们希望你在下列文章中找到Ziggurat模式的有益之处,以及一个可以代替MVC的更好方案:

感谢Ruby Chen的插图


博文logo-01.jpg

标题SpringBoot智能在线预约挂号系统研究AI更换标题第1章引言介绍智能在线预约挂号系统的研究背景、意义、国内外研究现状及论文创点。1.1研究背景与意义阐述智能在线预约挂号系统对提升医疗服务效率的重要性。1.2国内外研究现状分析国内外智能在线预约挂号系统的研究与应用情况。1.3研究方法及创点概述本文采用的技术路线、研究方法及主要创点。第2章相关理论总结智能在线预约挂号系统相关理论,包括系统架构、开发技术等。2.1系统架构设计理论介绍系统架构设计的基本原则和常用方法。2.2SpringBoot开发框架理论阐述SpringBoot框架的特点、优势及其在系统开发中的应用。2.3数据库设计与管理理论介绍数据库设计原则、数据模型及数据库管理系统。2.4网络安全与数据保护理论讨论网络安全威胁、数据保护技术及其在系统中的应用。第3章SpringBoot智能在线预约挂号系统设计详细介绍系统的设计方案,包括功能模块划分、数据库设计等。3.1系统功能模块设计划分系统功能模块,如用户管理、挂号管理、医生排班等。3.2数据库设计与实现设计数据库表结构,确定字段类型、主键及外键关系。3.3用户界面设计设计用户友好的界面,提升用户体验。3.4系统安全设计阐述系统安全策略,包括用户认证、数据加密等。第4章系统实现与测试介绍系统的实现过程,包括编码、测试及优化等。4.1系统编码实现采用SpringBoot框架进行系统编码实现。4.2系统测试方法介绍系统测试的方法、步骤及测试用例设计。4.3系统性能测试与分析对系统进行性能测试,分析测试结果并提出优化建议。4.4系统优化与改进根据测试结果对系统进行优化和改进,提升系统性能。第5章研究结果呈现系统实现后的效果,包括功能实现、性能提升等。5.1系统功能实现效果展示系统各功能模块的实现效果,如挂号成功界面等。5.2系统性能提升效果对比优化前后的系统性能
在金融行业中,对信用风险的判断是核心环节之一,其结果对机构的信贷政策和风险控制策略有直接影响。本文将围绕如何借助机器学习方法,尤其是Sklearn工具包,建立用于判断信用状况的预测系统。文中将涵盖逻辑回归、支持向量机等常见方法,并通过实际操作流程进行说明。 一、机器学习基本概念 机器学习属于人工智能的子领域,其基本理念是通过数据自动学习规律,而非依赖人工设定规则。在信贷分析中,该技术可用于挖掘历史数据中的潜在规律,进而对未来的信用表现进行预测。 二、Sklearn工具包概述 Sklearn(Scikit-learn)是Python语言中广泛使用的机器学习模块,提供多种数据处理和建模功能。它简化了数据清洗、特征提取、模型构建、验证与优化等流程,是数据科学项目中的常用工具。 三、逻辑回归模型 逻辑回归是一种常用于分类任务的线性模型,特别适用于二类问题。在信用评估中,该模型可用于判断借款人是否可能违约。其通过逻辑函数将输出映射为0到1之间的概率,从而表示违约的可能性。 四、支持向量机模型 支持向量机是一种用于监督学习的算法,适用于数据维度高、样本量小的情况。在信用分析中,该方法能够通过寻找最佳分割面,区分违约与非违约客户。通过选用不同核函数,可应对复杂的非线性关系,提升预测精度。 五、数据预处理步骤 在建模前,需对原始数据进行清理与转换,包括处理缺失、识别异常点、标准化数、筛选有效特征等。对于信用评分,常见的输入变量包括收入水平、负债比例、信用历史记录、职业稳定性等。预处理有助于减少噪声干扰,增强模型的适应性。 六、模型构建与验证 借助Sklearn,可以将数据集划分为训练集和测试集,并通过交叉验证调整参数以提升模型性能。常用评估指标包括准确率、召回率、F1以及AUC-ROC曲线。在处理不平衡数据时,更应关注模型的召回率与特异性。 七、集成学习方法 为提升模型预测能力,可采用集成策略,如结合多个模型的预测结果。这有助于降低单一模型的偏差与方差,增强整体预测的稳定性与准确性。 综上,基于机器学习的信用评估系统可通过Sklearn中的多种算法,结合合理的数据处理与模型优化,实现对借款人信用状况的精准判断。在实际应用中,需持续调整模型以适应市场变化,保障预测结果的长期有效性。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值