“ λ ”像一个双手插兜儿，老曹独自行走的眼中人，有“失意、老曹无奈、眼中孤独”的老曹感觉。λ 读作Lambda，眼中是老曹物理上的波长符号，放射学的眼中衰变常数，线性代数中的老曹特征值……在程序和代码的世界里，它代表了函数表达式，眼中系统架构，老曹以及云计算架构。眼中

代码中的老曹Lambda

Lambda表达式基于数学中的λ演算得名，可以看作是眼中匿名函数，可以代替表达式，老曹函数，闭包等，也支持类型推论，可以远离匿名内部类。

为什么使用Lambda呢?

1)代码更紧凑

2)拥有函数式编程中修改方法的能力

3)有利于多核计算

Lambda的目的是让程序员能够对程序行为进行抽象，b2b信息网把代码行为看作数据。

Java

Java 8的一个大亮点是引入Lambda表达式，在编写Lambda表达式时，也会随之被编译成一个函数式接口。

一个典型的例子是文件类型过滤 :

File dir = new File("/an/dir/");   FileFilter directoryFilter = new FileFilter() {       public boolean accept(File file) {          return file.isDirectory();      } }; 

用lambda 重写后：

File dir = new File("/an/dir/");  File[] dirdirs = dir.listFiles((File f) -> f.isDirectory()); 

Lambda 表达式本身没有类型，因为常规类型系统没有“Lambda 表达式”这一内部概念。

Python

与Java语言不同，Python的Lambda表达式的函数体只能有唯一的一条语句，也就是返回值表达式语句。Python编程语言使用lambda来创建匿名函数。

一个典型的例子是求一个列表中所有元素的平方。

一般写法

def sq(x):    return x * x map(sq, [y for y in range(108)]) 

使用Lambda 的写法

map( lambda x: x*x, [y for y in range(108)] ) 

在spark 中，用python 操作RDD时，Lambda 更是随处可见。

out_rdd = in_rdd.filter( # filter the empty record           lambda x:x[1] is not None and x[1] != { }                ).map(            lambda x:utils.parse_data(x[1],es_relations)                ).filter( # filter the empty record             lambda x:x is not None                ).filter( # filter the record             lambda x:x[utimestamp]>time_start) 

大数据架构中的Lambda

Lambda架构的目标是设计出一个能满足实时大数据系统关键特性的架构，包括有：高容错、免费信息发布网低延时和可扩展等。Lambda架构整合离线计算和实时计算，融合不可变性(Immunability)，读写分离和复杂性隔离等一系列架构原则，可集成Hadoop，Kafka，Storm，Spark，Hbase等各类大数据组件。

Batch Layer进行预运算的作用实际上就是将大数据变小，从而有效地利用资源，改善实时查询的性能。主要功能是：

存储Master Dataset，这是一个不变的持续增长的数据集 针对这个Master Dataset进行预运算

Serving Layer就要负责对batch view进行操作，从而为最终的实时查询提供支撑。主要作用是：

对batch view的随机访问 更新batch view

speed layer与batch layer非常相似，它们之间***的区别是前者只处理最近的数据，后者则要处理所有的数据。另一个区别是站群服务器为了满足最小的延迟，speed layer并不会在同一时间读取所有的新数据，在接收到新数据时，更新realtime view，而不会像batch layer那样重新运算整个view。speed layer是一种增量的计算，而非重新运算(recomputation)。Speed Layer的作用包括：

对更新到serving layer带来的高延迟的一种补充 快速、增量的算法 最终Batch Layer会覆盖speed layer

大数据系统一般具有如下属性：

* 健壮性和容错性(Robustness和Fault Tolerance)

* 低延迟的读与更新(Low Latency reads and updates)

* 可伸缩性(Scalability)

* 通用性(Generalization)

* 可扩展性(Extensibility)

* 内置查询(Ad hoc queries)

* 维护最小(Minimal maintenance)

* 可调试性(Debuggability)

个人觉得，有了spark streaming 之后，spark 本身就是一种Lambda架构。

云计算中的Lambda

云计算中的Lambda，是指serverless architecture，无需配置或管理服务器即可运行代码。借助 Lambda，几乎可以为任何类型的应用程序或后端服务运行代码，而且全部无需管理。

以AWS 为例，云计算中的Lambda 示意流程如下：

只需上传代码，Lambda 会处理运行和扩展高可用性代码所需的一切工作。还可以将代码设置为自动从其他服务触发，或者直接从任何 Web 或移动应用程序调用。

ETL 是数据挖掘与数据分析中的必备环节，可以方便的通过AWS的Lambda实现，示例如下：

其实，在spark 上实现Lambda 云服务也不是太费力的事。

总之，了解越多，越会喜欢上它，神奇而有趣的Lambda。

【本文来自专栏作者老曹的原创文章，作者微信公众号：喔家ArchiSelf,id:wrieless-com】