微信小程序通过什么函数发包

一、使用来自不同页面的函数

函数写在util.js页面

function formatTime(date) {

var year = date.getFullYear()

var month = date.getMonth() + 1

var day = date.getDate()

var hour = date.getHours()

var minute = date.getMinutes()

var second = date.getSeconds()

return [year, month, day].map(formatNumber).join('/') + ' ' + [hour, minute, second].map(formatNumber).join(':')

}

function formatNumber(n) {

n = n.toString()

return n[1] ? n : '0' + n

}

module.exports = {

formatTime: formatTime,

}

使用函数

图片描做唤述

图片描述

二、使用相同页面的函数

get_productInformation: function () {

。。。。

},

getZones:function(){

this.get_productInformation

},

三、使纯知凯用app.js内定义的函数

app.js代码

//app.js

App({

onLaunch: function() {

//调用API从本地缓存中获取数据

var logs = wx.getStorageSync('logs') || []

logs.unshift(Date.now())

wx.setStorageSync('logs', logs)

},

get_a_test:function(){

console.log('this is a test')

},

getUserInfo: function(cb) {

var that = this

if (this.globalData.userInfo) {

typeof cb == "function" &&cb(this.globalData.userInfo)

} else {

//调用登录接口

wx.getUserInfo({

withCredentials: false,

success: function(res) {

that.globalData.userInfo = res.userInfo

typeof cb == "function" &&cb(that.globalData.userInfo)

}

})

}

},

globalData: {

userInfo: null,

college_change:false

}

})

在其他页面中使用

图猛帆片描述

什么是Map/Reduce，看下面的各种解释：

(1)MapReduce是hadoop的核心组件之一，hadoop要分布式包括两部分，一是分布式文件系统hdfs,一部是分布式计算框，就是mapreduce,缺一不可，也就是说，可以通过mapreduce很容易在hadoop平台上进行分布式的计算编程。

(2)Mapreduce是一种编程模型，是一种编程方法，抽象理论。

(3)下面是一个关于一个程序员是如何个妻子讲解什么是MapReduce？文章很长请耐心的看。

我问妻子：“你真的想要弄懂什么是MapReduce？” 她很坚定的回答说“是的”。 因此我问道：

我： 你是如何准备洋葱辣椒酱的？（以下并非准确食谱，请勿在家尝试）

妻子： 我会取一个洋葱，把它切碎，然后拌入盐和水，最后放进混合研磨机里研磨。这样就能得到洋葱辣椒酱了。

妻子： 但这和MapReduce有什么关系？

我： 你等一下。让我来编一个完整的情节，这样你肯定可以在15分钟内弄懂MapReduce.

妻子： 好吧。

我：现在，假设你想用薄荷、洋葱、番茄、辣椒、大蒜弄一瓶混合辣椒酱。你会怎么做呢？

妻子： 我会取薄荷叶一撮，洋葱一个，番茄一个，辣椒一根，大蒜一根，切碎后加入适量的盐和水，再放入混合研磨机里研磨，这样你就可以得到一瓶混合辣椒酱了。

我： 没错，让我们把MapReduce的概念应用到食谱上。Map和Reduce其实是两种 *** 作，我来给你旦局详细讲解下。

Map（映射）: 把洋葱、番茄、辣椒和大蒜切碎，是各自作用在这些物体上的一个Map *** 作。所以你给Map一个洋葱，Map就会把洋葱切碎。 同样的，你把辣椒，大蒜和番茄一一地拿给Map，你也会得到各种碎块。 所以，当你在切像洋葱这样的蔬菜时，你执行就是一个Map *** 作。 Map *** 作适用于每一种蔬菜，它会相应地生产出一种或多种碎块，在我们的例子中生产的是蔬菜块。在Map *** 作中可能会出现有个洋葱坏掉了的情况，你只要把坏洋葱丢了就行了。所以，如果出现坏洋葱了，Map *** 作就会过滤掉坏洋葱而不会生产出任何的坏洋葱块。

Reduce（化简）:在这一阶段，你将各种蔬菜碎都放入研磨机里进行研磨，你就可以得到一瓶辣椒酱了。这意味要制成一瓶辣椒酱，你得研磨所有的原料。因此，研磨机通常将map *** 作的蔬菜碎聚集在了一起。

妻子： 所以，这就是MapReduce?

我： 你可以说是，也可以说不是。 其实这只是MapReduce的一部分，MapReduce的强大在于分布式计算。

妻子： 分布式计算？ 那是什么？请给我解释下吧。

我： 没问题。

我： 假设你参加了一个辣椒酱比赛并且你的食谱赢得了最佳辣椒酱奖。得奖之后，辣椒酱食谱大受欢迎，于是你想要开始出售自制品牌的辣椒酱。假设你每天需要生产10000瓶辣椒酱，你会怎么办呢？

妻子： 我会找一个能为我大量提供原料的供应商。

我：是的..就是那样的。那你能否独自完成制作呢？也就是说，独自将原料都切碎？ 仅仅一部研磨机又是否能满足需要？而且现在，我们还需要供应不同种类的辣椒酱，像洋葱辣椒酱、青椒辣椒酱、番茄辣椒酱等等。

妻子： 当然不能了，我会雇佣更多的工人来切蔬菜。我还需要更多的研磨机，这样我就可以更快地生产辣椒酱了。

我：没错，所以现在你就不得不分配工作了，你将需要几个人一起切蔬菜。每个人都要处理满满一袋的蔬菜，而每一个人都相当于在执行一个简单的Map *** 作。每一个人都将不断的从袋子里拿出蔬菜来，并且每次只对一种蔬菜进行处理，也就是将它们切碎，直到袋子空了为止。

这样，当所有的工人都切完以后，工作台（每个人工作的地方）上就有了洋葱块、番茄块、和蒜蓉等樱旁等。

妻脊迟橡子：但是我怎么会制造出不同种类的番茄酱呢？

我：现在你会看到MapReduce遗漏的阶段—搅拌阶段。MapReduce将所有输出的蔬菜碎都搅拌在了一起，这些蔬菜碎都是在以key为基础的 map *** 作下产生的。搅拌将自动完成，你可以假设key是一种原料的名字，就像洋葱一样。 所以全部的洋葱keys都会搅拌在一起，并转移到研磨洋葱的研磨器里。这样，你就能得到洋葱辣椒酱了。同样地，所有的番茄也会被转移到标记着番茄的研磨器里，并制造出番茄辣椒酱。

（4）上面都是从理论上来说明什么是MapReduce，那么咱们在MapReduce产生的过程和代码的角度来理解这个问题。

如果想统计下过去10年计算机论文出现最多的几个单词，看看大家都在研究些什么，那收集好论文后，该怎么办呢？

方法一：

我可以写一个小程序，把所有论文按顺序遍历一遍，统计每一个遇到的单词的出现次数，最后就可以知道哪几个单词最热门了。 这种方法在数据集比较小时，是非常有效的，而且实现最简单，用来解决这个问题很合适。

方法二：

写一个多线程程序，并发遍历论文。

这个问题理论上是可以高度并发的，因为统计一个文件时不会影响统计另一个文件。当我们的机器是多核或者多处理器，方法二肯定比方法一高效。但是写一个多线程程序要比方法一困难多了，我们必须自己同步共享数据，比如要防止两个线程重复统计文件。

方法三：

把作业交给多个计算机去完成。

我们可以使用方法一的程序，部署到N台机器上去，然后把论文集分成N份，一台机器跑一个作业。这个方法跑得足够快，但是部署起来很麻烦，我们要人工把程序copy到别的机器，要人工把论文集分开，最痛苦的是还要把N个运行结果进行整合（当然我们也可以再写一个程序）。

方法四：

让MapReduce来帮帮我们吧！

MapReduce本质上就是方法三，但是如何拆分文件集，如何copy程序，如何整合结果这些都是框架定义好的。我们只要定义好这个任务（用户程序），其它都交给MapReduce。

map函数和reduce函数

map函数和reduce函数是交给用户实现的，这两个函数定义了任务本身。

map函数：接受一个键值对（key-value pair），产生一组中间键值对。MapReduce框架会将map函数产生的中间键值对里键相同的值传递给一个reduce函数。

reduce函数：接受一个键，以及相关的一组值，将这组值进行合并产生一组规模更小的值（通常只有一个或零个值）。

统计词频的MapReduce函数的核心代码非常简短，主要就是实现这两个函数。

map(String key, String value):

// key: document name

// value: document contents

for each word w in value:

EmitIntermediate(w, "1")

reduce(String key, Iterator values):

// key: a word

// values: a list of counts

int result = 0

for each v in values:

result += ParseInt(v)

Emit(AsString(result))

在统计词频的例子里，map函数接受的键是文件名，值是文件的内容，map逐个遍历单词，每遇到一个单词w，就产生一个中间键值对<w, "1">，这表示单词w咱又找到了一个；MapReduce将键相同（都是单词w）的键值对传给reduce函数，这样reduce函数接受的键就是单词w，值是一串"1"（最基本的实现是这样，但可以优化），个数等于键为w的键值对的个数，然后将这些“1”累加就得到单词w的出现次数。最后这些单词的出现次数会被写到用户定义的位置，存储在底层的分布式存储系统（GFS或HDFS）。

转载

我最早使用的语言是Java和Python， 并且一直都对Python充满好感， 我喜欢这种很朴实和高效率的感觉， 但我却最后没有采用Python，原因其实也很简单， 我就是不喜欢缩进语法， 就跟很多人换工作仅仅是为了屏幕更大一点一样， 另外就是有了同样很棒的可选方案， 这就是Ruby， 所以我最终采用了Ruby作为主力编程语言， 同样也为不能使用Python而有一点小遗憾，毕竟Python的健壮性比Ruby好很多，只不过Ruby也一直在进步， 所以这一点无伤大雅

我们都知道，无论是Python还是Ruby，甚至Java， 都是在解决业务层的问题， 属于应用型语言， 以解决业务逻辑为主， 但还有一个领域是系统领域，偏网络层和底层 *** 作，在这一块我一直在寻找一种优雅的方案， C++被我首先给淘汰掉了， C的开发效率太低， Java倒是比较合适， 就是太臃肿，而且缺少系统编程的基因，毕竟它是企业级开发出身的

最后我选择了Erlang， 因为它在网络层方面表现优秀， 同时容错性和健壮性都很不错， 它的虚拟机是唯一可以跟JVM媲美的， 而且还有OTP的超重量级武器， 几乎可以是通杀网络层应用， 但根据我的总结它有一个硬伤和一个软肋，这一点后面展开，可以说选择Erlang是我目前所知道的方案里面是最优的

直到有一天我了解了Golang， 我知道Golang其实也蛮早的， 大概08年的时候就知道Google在搞一门奇怪的语言， 之后的几年，一直有不少以老莫为代表的人在嘀咕Golang， 其实我一直没太关注，我从ROR中吸取的经验是，成熟度对于商用很重要， 后来基于Golang开发的产品越来越多，让我不得不去研究一下， 这我才知道， 这就是我梦想中的Python， 效率和性能达到了最佳的平衡，对Go了解越多， 就越不愿意用Erlang写代清歼激码，主要原因：

1、Erlang的硬伤在于代码的可读性、表现力，改铅 让我来举个小例子， 比如你为你的系统软件构建一个RESTFUL的接口，我们大致了解一下代码风格，先不说Erlang， 无论是你c/c++/python/ruby/java 出身， 对Go是不是有种很久违的感觉, 为什么说是硬伤？ 因为对一门语言来说，语法是不大可能会大幅度变更的， 而且不会出现大的变化， 我不知道有没有人读过《松本行弘的编程世界》，里面阐述的道理很明白， 真正好的编程方式是人去主宰计算机而不是计算机主宰人， 我感觉Erlang就有点主宰我的编程思维的感觉(我的视力本身就不好，它还在不断的扼杀我的眼睛！)， 编程首先是门逻辑学，其次是工程学，最后才是数学， 又让我想起吴军的《数学之美》所说的， 人工智能上个世纪一直在走弯路， 期望机器的高度图灵完备， 而忽视人类本身已有的文明，统计归纳的应用

2、Erlang的软肋在于高质量的库少，尽管有不少杀手级应用， 同样Go在这方面也是软肋， 这一点对于一个不到五年的语言有情可原， 但对于一个20多年的语言是不是有点说不过去， 比如你用json解析库，很多人都是从mochiweb这个基本不更新的库中去抽取， 而我认为对于类似json这种东答袜西可以考虑融入到语言标准库中， 因为未来的商业软件的api化趋势越来越明显，说的难听点 ， 一个倚老卖老一个与时俱进，反正我对Golang的库一点也不担心， 目前的成绩易经非常棒了， 远远优于Ruby/Python的前五年， 可参见已有的高质量的库列表

3、Erlang不合群， 这主要体现在跟其他语言的交互性上， 当然这也有深层次的原因， Erlang本身有自己的哲学， 如出错恢复机制， 你融入一个其他语言的东西进去， 这帐就不好算，就好比你硬要让一个喝咖啡的跟一个吃大蒜的坐在一起， 总之你写一个Erlang的port远远比Go复杂， 甚至比Python/Java还要复杂， 这就造成了Erlang在底层编程上效果不是很好， 没法利用linux已有的很多优秀成果，我一直认为Erlang的什么的mysql/pg/oracle驱动都没有必要存在， Erlang一定是一个self-container应用， 你只要用到了其他东西， 根据木桶理论， 你就不敢号称9个9，以系统的眼光看问题， 我觉得一个系统的鲁棒性不能依赖于某一组件， 这也是为什么爱立信本身的Erlang应用并不广泛

4、说说数据类型吧， 我不止听到1个人说Erlang对字符串的处理不有好， 它把string当做list来处理，其实本质上是该这么，但，还是那句话， 违背了面向人的哲学， 应该做一些DSL， 比如Golang里面的 := 就是一个糖衣， 等价于 var xx yyy = zzzz， 大大方便的程序员少敲不少字符, Golang里面对字符转可以说基本和python差不多， slice map函数很强大， 支持lambda条件，虽然Erlang的基本类型很少， 但有很多构造， 所谓构造等价于Golang里面复杂的struct， 也奇怪了，我就是感觉Erlang构造伤眼睛好吗？可能是各种括号的比对的原因吧， 而且我认为这是不必要的， 显然Erlang缺少DSL的基因， 当然跟Erlang出身的年代有关， 我不夸张的说， 自打用Erlang以后我的视力又下降了100度左右， 我不是很喜欢lisp所说的符号也是一种语法， 可能这又跟函数式编程有关吧：形式推导远大于逻辑演绎

5、其实我最不关注的是性能问题， 因为随着摩尔定律， 单位计算单元的性价比会无限高，但Golang既然提出它的性能逼近C， 那我还是提一下吧， 当然， Erlang也还可以， 虽然比Java慢， 但跟Python一个档次吧

6、再谈谈报错机制， 因为Erlang的的报错信息太让人纠结了， 起初以为我不会看出错信息， 后来也使用了Sasl， 还是不够直观，甚至有时要用工具分析crash文件来定位问题，还是跟Erlang的哲学有关， 在Erlang中一切都是并行的， 所以它根本不care是物理哪一行出错， 只跟Actor绑定， 然后告诉你Actor的ID和出错代号， 你自己凭经验去分析吧，这样做的好处是可以很方便定位出并行中出现的问题，但凡事都是相对的， 在这一点上有点纠枉过正，根据我的经验， 绝大部分时候我只希望先给我明确的指出哪一行出错了好吗？ 甚至把顺序的backtrace用完整的英文句子打印出来好吗？至于并行中的错误及时在命令式多线程语言中是不常见的，虽然并不是没有， 但遇到错误我再费劲去调试好了， 但并不是所有的逻辑都用并行的思维去定位问题， 我甚至认为， 对于一个系统不完全是并行也不完全是串行，跟好比我们衡量世界不能单纯的唯物也不能完全的唯心一样， 这一点Golang就做了很好的折中， 不需要并行的时候你老老实实的写串行代码， 需要并行的时候也有较复杂的机制来应对， 合乎情理

7、再说说招人吧， 以前招过好几个C出来的人，说实话水平很好， 可以一周就完成一个小组件， libevent用的熟的很，后来我逼人家用Erlang，结果把人家逼走了，至今我还很后悔， 自己的一厢情愿强加在别人身上真是太不合适了，但我招纯Erlang出来的人，可以说比招objc的人还难， 没有人，空谈技术的优雅性首先就是不靠谱的，再看看邮件列表， Golang的活跃度明显比Erlang高很多， 基本逼近Ruby，更重要的是， 我根本不担心Golang的人才，因为只要熟悉Python/C/Ruby/或者C++， 基本可以实现半天入门， 之后就可以噼里啪啦边搜资料边干活了，虽然有足够的深度，但门槛极其平缓，工程人员也可以复用很多已有的知识。 Erlang在这一点其实跟第一点硬伤有关，大部分人学一周都摸不着头脑，不是每个人的抽象思维和世界观都是一样的好吗， 所以函数式编程尽管不比命令式语言起步晚，但始终学的人很少，这就是历史， 对于大部分人， 更希望解决问题，创造价值， 而不是数学来推导去

8、最后我建议， 如果你是玩c/c++的， 现在开始学Golang，是最好的时机， 跟一门靠谱的语言一起成长， 这种感觉非常棒， 你用Erlang折腾1个应用， 用Go恐怕都完成了10个开源项目， 当然，也要结合自己的口味， Golang就是Sublime Text， Erlang就是Emacs

相信自己的判断，相信自己的逻辑， 赢就是赢，输就是输

转载仅供参考，版权属于原作者。祝你愉快，满意请采纳哦

---