子流程的定义
当流程设计的越来越复杂,越来越长时,就难以进行管理了。因此,采用模块化的设计才会更加合理。本节我们介绍子流程的原理和使用。
所谓子流程
,就是能先构造出一个流程,然后被其他流程调用。被调用的流程就是子流程。
学过编程和数学的人,应该能够了解子流程其实就是函数,可以定义输入参数和输出,把整个功能看成整体,从而方便重用。
子流程能够分为:
- 子流-生成
- 如生成全国城市列表的流
- 生成某个网站全部分类的流
- 子流-转换
- 通过输入url地址,就能转换出该页面中所有需要信息的流
- 子流-执行
- 例如可以构造获取某个页面所有图片的执行流
- 子流-过滤 (这一项系统没有提供,比较少用)
- 如过滤掉所有内容为空,或内容包含
abc
的流
值得指出,子流还可以调用其他的子流,形成树状的调用结构。
当加载一个任务时,该任务依赖的子任务也会自动加载。对子流的修改,也会传递到主流上。
子流可以类比于一般的函数,它可以接受主流传递给它的参数,从而执行内部流程。
这样,就可以配置出本来在系统中不存在的子模块,从而扩展系统的功能。
子流在调用时,行为和系统默认提供的生成/转换/执行器完全一致。
如何创建子流
你可以将一个网页采集器
认定为一个特殊的转换子流
。当你创建了一个子流之后,就能按照一般的转换器,执行器来操作。
例子1
新建一个数据清洗
,命名为主流程,生成1-20的区间数,列名为id.
接下来,我们希望能生成id2和id3两个列,数值分别为id的两倍和三倍,再把它们拼接起来。你可以直接拖入两个python转换器
到id, 脚本为int(value)*2
和int(value)*3
,最后再拖入一个合并多列
,格式为{0}_{1}
,再删掉刚才生成的三个列,这样就生成了下面的列:
2_3
4_6
6_9
...
但是,如果不仅有id这一列,还有别的列需要做一样的处理,那就需要做重复的操作了。我们完全可以将其封装起来重复使用。
新建一个数据清洗
,命名为子流程
,新建从文本生成
,列名为id, 内容只要一个1
就可以了,之后按照刚才的步骤,生成2_3
这样的列。
之后,在主流程上,对id列拖入子流-转换
,在弹出的面板上,ETL选择
中填入子流程
,调用范围
填入1:100
,刷新后,即可看到和之前相同的结果。
从上面可以看出,子流可以分为两部分:参数部分和执行部分。子流程中的第一个从文本生成
,只是参数,目的是为了设计器能构成输出数据的完整流程。但要想被别的模块调用,则只应该有执行部分。而参数部分,需要主流程传递给子流程。这就是调用范围
的意义,它能设置在子流上,成为执行部分的那一段。
举例子,如果一个长度为20个模块的子流,前两个为参数部分,后18个是执行部分,因此调用范围可以写2:18(从0开始)。 当然为了方便,你可以给冒号后第二个数比较大的值,如100。
因此,主流程应当提供子流程所需的所有参数,同时列名和子流程参数部分需要完全一致。当子流-转换
模块勾选返回多个数据
时,它会进入一转多模式
,这类似于XPath转换器。
子流程在抓取详细页面时非常有用,你可以创建生成所有目标url的主流程,再创建从url获取页面全部信息的子流程,之后进行调用即可。
当子流是执行器时,在调试时是不会执行的,因此也看不到效果。这一点需要特别注意。
注意!
主流程不会将所有的参数都传递给子流程,因为这可能并没有必要。因此,需要在子流的转换器上,显式地设置原列名,并用空格分割,这样才能传递过去。
例子2
我们以Hawk-Project的大众点评为例讲解,可以加载工程后自行研究。之前已经讲过思路,这里我们只讲大概的轮廓:
大众点评区域能够获取一个城市所有的区县:
大众点评类别能够获取城市的所有美食种类。
之后,我们用大众点评门店,来调用刚才实现的两个子流:
拖入从子流-生成到大众点评门店,按照如下方式配置:
我们对必要的列名进行修改,之后再拖入另一个从子流-生成,配置如下,尤其注意生成模式改为Cross
这样就能生成所有区县下,所有美食门类的组合。
之后,按照之前介绍的方式,即可抓取所有美食信息。
子流嵌套
子流程不仅可以被主流程调用,子流程还可以拥有自己的子流程。从而形成复杂的树状调用结构。这样就能实现绝大多数的需求和复杂功能。
目前,流程之间还不能自调用,也不能形成调用环。虽然函数确实是可以递归调用的,但对一个以generator为核心的流系统,递归可能并不需要。但如果真的支持,那一定会相当强大。