🚀 قسمت 2: باز کردن قدرت توابع خالص

Summarize this content to 400 words in Persian Lang
👈 شروع را از دست داده اید؟ قسمت 1 را بخوانید: باز کردن قفل قدرت توابع خالص.

🔹چرا توابع خالص در محیط های همزمان و موازی رشد می کنند

در سیستم‌های چند هسته‌ای امروزی، اجرای همزمان وظایف می‌تواند عملکرد را بسیار بهبود بخشد. اما نوشتن کد همزمان می تواند منجر به مشکلاتی مانند شرایط مسابقه و نتایج غیرقابل پیش بینی شود – مگر اینکه با توابع خالص کار کنیم.

در اینجا آمده است که چگونه توابع خالص، همزمانی و موازی سازی را ایمن تر و سریع تر می کنند

1. بدون ایالت مشترک

توابع خالص به حالت اشتراکی متکی نیستند یا آن را تغییر نمی دهند، بنابراین خطر شرایط مسابقه را از بین می برند (زمانی که چندین فرآیند به طور همزمان به یک متغیر دسترسی دارند و آن را تغییر می دهند). این آنها را برای اجرای همزمان بدون نگرانی در مورد خرابی داده ها ایده آل می کند.

مثال

const square = (x) => x * x;
const numbers = [1, 2, 3, 4, 5];
const results = numbers.map(square); // Safe to run in parallel

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

👉 توجه: تصور کنید مجذور چندین عدد را همزمان محاسبه کنید. هر محاسباتی به دیگری بستگی ندارد، بنابراین آنها می توانند به طور مستقل اجرا شوند و از هرگونه خطر تداخل اجتناب کنند.

2. رفتار قطعی

از آنجایی که توابع خالص همیشه یک نتیجه را برای ورودی یکسان برمی‌گردانند، قطعی هستند. این بدان معنی است که می توانید آنها را به هر ترتیبی (یا حتی به صورت موازی) بدون نگرانی از نتایج غیرمنتظره اجرا کنید.

مثال

const square = (x) => x * x;

console.log(square(2)); // 4
console.log(square(3)); // 9

// Running in any order or parallel won’t affect the output
const results = [square(2), square(3), square(2)];
console.log(results); // [4, 9, 4]

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

👉 توجه: هر تماس به square() مستقل است نتیجه از square(2) یا square(3) بدون توجه به ترتیب اجرا یا تکرار، همیشه به ترتیب 4 و 9 خواهد بود.

3. توزیع وظیفه

تقسیم یک کار به وظایف فرعی کوچکتر که می توانند به صورت موازی اجرا شوند، یک استراتژی رایج برای بهبود عملکرد در سیستم های چند هسته ای است. توابع خالص این را ساده می‌کنند زیرا هر کار مستقل است. می‌توانید چندین نمونه را در رشته‌ها یا پردازنده‌ها بدون همگام‌سازی پیچیده اجرا کنید.

const cube = (x) => x * x * x;

// Distributing tasks across “threads” (simulated here with array map)
const numbers = [1, 2, 3, 4];
const cubes = numbers.map((num) => cube(num));

console.log(cubes); // [1, 8, 27, 64]

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

👉 توجه: هر کار (cube(num)) مستقل است، بنابراین می توانند به صورت موازی اجرا شوند. از آنجایی که هیچ حالت مشترکی در کار نیست، نیازی به همگام سازی وجود ندارد. در سناریوهای دنیای واقعی، چارچوب ها یا کتابخانه ها (مانند Web Workers یا پردازش موازی در Node.js) می توانند این وظایف را روی هسته های جداگانه اجرا کنند.

4. مدیریت خطای ساده شده

در سیستم‌های همزمان با حالت اشتراک‌گذاری شده، خطاهای یک قسمت از کد می‌تواند بر قسمت‌های دیگر تأثیر بگذارد. با توابع خالص، خطاها جدا می شوند زیرا هر تابع به طور مستقل عمل می کند. این امر رسیدگی به خطاها را ساده‌تر می‌کند و از آبشار شدن خرابی‌ها جلوگیری می‌کند.

const safeDivide = (a, b) => {
if (b === 0) {
return “Error: Division by zero”;
}
return a / b;
};

// Handle multiple tasks
const tasks = [
[10, 2],
[5, 0], // Error case
[8, 4],
];

const results = tasks.map(([a, b]) => safeDivide(a, b));
console.log(results); // [5, “Error: Division by zero”, 2]

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

👉

هر تقسیم ایزوله است و خطا در تقسیم بر صفر بر سایر عملیات ها تأثیر نمی گذارد.
این کار سیستم کلی را پایدار نگه می‌دارد و در عین حال خطاهای فردی را به خوبی مدیریت می‌کند.

🔹توابع خالص و عملکرد در دنیای واقعی

یک برنامه وب را در نظر بگیرید که باید هزاران نقطه داده را به طور همزمان پردازش کند. با توابع خالص، می‌توانیم بار پردازشی را در چندین هسته توزیع کنیم و سرعت اجرا را بدون به خطر انداختن خرابی داده‌ها یا شرایط مسابقه افزایش دهیم.به عنوان مثال، اگر شما نیاز به تبدیل یک مجموعه داده بزرگ با اعمال یک تابع خالص برای هر آیتم دارید، می توانید تکه های داده را به صورت موازی تقسیم کرده و پردازش کنید. این منجر به پردازش سریعتر داده ها، کاهش زمان انتظار برای کاربران و استفاده کارآمدتر از CPU می شود.

// Example of parallel data processing
const processData = (data) => data.map(transform); // `transform` is a pure function

// Now imagine splitting `data` across multiple cores
const chunk1 = data.slice(0, data.length / 2);
const chunk2 = data.slice(data.length / 2);

Promise.all([processData(chunk1), processData(chunk2)])
.then((results) => console.log(results.flat()))
.catch((error) => console.error(“Error:”, error));

وارد حالت تمام صفحه شوید

از حالت تمام صفحه خارج شوید

پردازش موازی برای کارهایی که می توانند به طور مستقل اجرا شوند بسیار مهم است (به عنوان مثال، پردازش تکه های داده). با Promise.all:

همه کارها به طور همزمان شروع می شوند و از منابع سیستم (مانند چندین هسته CPU) استفاده کامل می کنند.
زمان اجرا کاهش می یابد زیرا وظایف با هم تداخل دارند.
کد در مقایسه با زنجیر کردن و سپس برای کارهای مستقل، تمیز و مختصر می ماند.

🚀 بسته بندیتوابع خالص چیزی بیش از یک سبک برنامه نویسی هستند – آنها راه های قدرتمند، کارآمد و ایمن را برای مدیریت همزمانی و موازی سازی باز می کنند. چه در حال توسعه یک برنامه پردازش داده در زمان واقعی باشید یا یک باطن بسیار مقیاس پذیر بسازید، توابع خالص می توانند به شما کمک کنند کد بهتر، قابل اعتمادتر و سریعتر بنویسید.

const square = (x) => x * x;
const numbers = [1, 2, 3, 4, 5];
const results = numbers.map(square);  // Safe to run in parallel

const square = (x) => x * x;

console.log(square(2)); // 4
console.log(square(3)); // 9

// Running in any order or parallel won't affect the output
const results = [square(2), square(3), square(2)];
console.log(results); // [4, 9, 4]

const cube = (x) => x * x * x;

// Distributing tasks across "threads" (simulated here with array map)
const numbers = [1, 2, 3, 4];
const cubes = numbers.map((num) => cube(num));

console.log(cubes); // [1, 8, 27, 64]

const safeDivide = (a, b) => {
    if (b === 0) {
        return "Error: Division by zero";
    }
    return a / b;
};

// Handle multiple tasks
const tasks = [
    [10, 2],
    [5, 0],  // Error case
    [8, 4],
];

const results = tasks.map(([a, b]) => safeDivide(a, b));
console.log(results); // [5, "Error: Division by zero", 2]

// Example of parallel data processing
const processData = (data) => data.map(transform); // `transform` is a pure function

// Now imagine splitting `data` across multiple cores
const chunk1 = data.slice(0, data.length / 2);
const chunk2 = data.slice(data.length / 2);

Promise.all([processData(chunk1), processData(chunk2)])
  .then((results) => console.log(results.flat()))
  .catch((error) => console.error("Error:", error));