前面我们提过：FunDA就像一个管道（PipeLine）。管道内流动着一串数据（Data）或者运算指令（Action）。管道的源头就是能产生纯数据的数据源（Source），跟着在管道的中间会有一些节点（WorkNode），我们可以在这些节点施用（apply）用户提供的功能函数（Task）。用户功能函数可以截取并使用管道中流动的数据或者指令，然后利用一种水龙头开关机制（Valve）来影响流动元素：可以截住、直接传送、传送修改版本、插入新数据。作为FunDA的用户，需要掌握用户功能函数编写模式。我们先从一个简单的用户函数开始介绍：

//定义一个用户作业函数：列印数据，完全不影响数据流
  def printAlbums: FDATask[FDAROW] = row => { row match { case album: Album => println("____________________") println(s"品名：${album.title}") println(s"演唱：${album.artist}") println(s"年份：${album.year}") println(s"发行：${album.publisher}") //原封不动直接传下去
 fda_next(album) case r@ _ => fda_next(r) } }

上面这个用户函数的类型是FDATask[FDAROW]，这是一个函数类型：

    //作业类型
    type FDATask[ROW] = ROW => Option[List[ROW]]

所以我们用lambda来代表函数内容：row => {函数功能}。lambda为用户函数提供了当前元素。我们用下面方式调用这个用户函数：

  val streamLoader = FDAStreamLoader(slick.driver.H2Driver, toTypedRow _) val albumStream = streamLoader.fda_typedStream(albumsInfo.result)(db)(10.minutes, 512, 128)()() //定义一个用户作业函数：列印数据，完全不影响数据流
  def printAlbums: FDATask[FDAROW] = row => { row match { case album: Album => println("____________________") println(s"品名：${album.title}") println(s"演唱：${album.artist}") println(s"年份：${album.year}") println(s"发行：${album.publisher}") //原封不动直接传下去
 fda_next(album) case r@ _ => fda_next(r) } } albumStream.appendTask(printAlbums).startRun

我们把用户函数printAlbums传入appendTask来对数据流进行施用。我们可以在appendTask后面再接一个用户函数，这个用户函数截取到的数据流元素是原装的数据源，因为在任何情况下printAlbums都会原封不动地把截获的元素用fda_next()传下去。运行一下下面这个就清楚了：

 albumStream.appendTask(printAlbums).appendTask(printAlbums).startRun

相反情况我们只需要做下面的修改把fda_next替换成fda_skip就可以证实了：

//原封不动直接传下去
 fda_skip // fda_next(album)

我们也可以根据当前元素情况生成一条FDAActionROW，它的定义是这样的：

  type FDAAction = DBIO[Int] case class FDAActionRow(action: FDAAction) extends FDAROW def fda_mkActionRow(action: FDAAction): FDAActionRow = FDAActionRow(action) class FDAActionRunner(slickProfile: JdbcProfile) { import slickProfile.api._ def fda_execAction(action: FDAAction)(slickDB: Database): Int = Await.result(slickDB.run(action), Duration.Inf) } object FDAActionRunner { def apply(slickProfile: JdbcProfile): FDAActionRunner = new FDAActionRunner(slickProfile) }

我们可以把一条FDAActionRow传下去：

  def updateYear: FDATask[FDAROW] = row => { row match { case album: Album => { val updateAction = albums.filter(r => r.title === album.title) .map(_.year) .update(Some(2017)) fda_next(FDAActionRow(updateAction)) } case others@ _ => fda_next(others) } }

我们也可以把原数据同时传下去：

  def updateYear: FDATask[FDAROW] = row => { row match { case album: Album => { val updateAction = albums.filter(r => r.title === album.title) .map(_.year) .update(Some(2017)) fda_next(FDAActionRow(updateAction)) fda_next(album) } case others@ _ => fda_next(others) } }

我们需要FDAActionRunner来运算action:

val runner = FDAActionRunner(slick.driver.H2Driver) def runActions: FDATask[FDAROW] = row => { row match { case FDAActionRow(action) => runner.fda_execAction(action)(db) fda_skip case others@ _ => fda_next(others) } }

现在试试运转这个管道：

  albumStream.appendTask(updateYear).appendTask(runActions).appendTask(printAlbums).startRun

实际上updateYear和runActio