RecursiveTask和RecursiveAction的使用以及java 8 并行流和顺序流

亦凉 2022-04-17 03:29 253阅读 0赞

转载自 [https://blog.csdn.net/weixin\_41404773/article/details/80733324][https_blog.csdn.net_weixin_41404773_article_details_80733324]

什么是Fork/Join框架  
        Fork/Join框架是Java7提供了的一个用于并行执行任务的框架， 是一个把大任务分割成若干个小任务，最终汇总每个小任务结果后得到大任务结果的框架。

我们再通过Fork和Join这两个单词来理解下Fork/Join框架，Fork就是把一个大任务切分为若干子任务并行的执行，Join就是合并这些子任务的执行结果，最后得到这个大任务的结果。比如计算1+2+。。＋10000，可以分割成10个子任务，每个子任务分别对1000个数进行求和，最终汇总这10个子任务的结果。Fork/Join的运行流程图如下：

工作窃取算法  
         工作窃取（work-stealing）算法是指某个线程从其他队列里窃取任务来执行。工作窃取的运行流程图如下：

那么为什么需要使用工作窃取算法呢？假如我们需要做一个比较大的任务，我们可以把这个任务分割为若干互不依赖的子任务，为了减少线程间的竞争，于是把这些子任务分别放到不同的队列里，并为每个队列创建一个单独的线程来执行队列里的任务，线程和队列一一对应，比如A线程负责处理A队列里的任务。但是有的线程会先把自己队列里的任务干完，而其他线程对应的队列里还有任务等待处理。干完活的线程与其等着，不如去帮其他线程干活，于是它就去其他线程的队列里窃取一个任务来执行。而在这时它们会访问同一个队列，所以为了减少窃取任务线程和被窃取任务线程之间的竞争，通常会使用双端队列，被窃取任务线程永远从双端队列的头部拿任务执行，而窃取任务的线程永远从双端队列的尾部拿任务执行。

工作窃取算法的优点是充分利用线程进行并行计算，并减少了线程间的竞争，其缺点是在某些情况下还是存在竞争，比如双端队列里只有一个任务时。并且消耗了更多的系统资源，比如创建多个线程和多个双端队列。

ForkJoinPool  
        Java提供了ForkJoinPool来支持将一个任务拆分成多个“小任务”并行计算，再把多个“小任务”的结果合成总的计算结果。

ForkJoinPool是ExecutorService的实现类，因此是一种特殊的线程池。ForkJoinPool提供了如下两个常用的构造器。

public ForkJoinPool(int parallelism)：创建一个包含parallelism个并行线程的ForkJoinPool  
 public ForkJoinPool() ：以Runtime.getRuntime().availableProcessors()的返回值作为parallelism来创建ForkJoinPool  
         创建ForkJoinPool实例后，可以钓鱼ForkJoinPool的submit(ForkJoinTask<T> task)或者invoke(ForkJoinTask<T> task)来执行指定任务。其中ForkJoinTask代表一个可以并行、合并的任务。ForkJoinTask是一个抽象类，它有两个抽象子类：RecursiveAction和RecursiveTask。

RecursiveTask代表有返回值的任务  
RecursiveAction代表没有返回值的任务。

RecursiveAction  
下面以一个没有返回值的大任务为例，介绍一下RecursiveAction的用法。

大任务是：打印0-100的数值。

小任务是：每次只能打印20个数值。

代码执行

package com.example.jedis.test;

import java.util.concurrent.RecursiveAction;

/\*\*  
 \*  
 \* @Author : Wukn  
 \* @Date : 2018/2/5  
 \*/  
public class RaskDemo extends RecursiveAction \{  
    /\*\*  
     \*  每个"小任务"最多只打印20个数  
      \*/  
    private static final int MAX = 20;

private int start;  
    private int end;

public RaskDemo(int start, int end) \{  
        this.start = start;  
        this.end = end;  
    \}

@Override  
    protected void compute() \{  
        //当end-start的值小于MAX时，开始打印  
        if((end-start) < MAX) \{  
            for(int i= start; i<end;i++) \{  
                System.out.println(Thread.currentThread().getName()+"i的值"+i);  
            \}  
        \}else \{  
            // 将大任务分解成两个小任务  
            int middle = (start + end) / 2;  
            RaskDemo left = new RaskDemo(start, middle);  
            RaskDemo right = new RaskDemo(middle, end);  
            left.fork();  
            right.fork();  
        \}  
    \}  
\}

public static void main(String\[\] args) throws Exception\{  
    // 创建包含Runtime.getRuntime().availableProcessors()返回值作为个数的并行线程的ForkJoinPool  
    ForkJoinPool forkJoinPool = new ForkJoinPool();

// 提交可分解的PrintTask任务  
    forkJoinPool.submit(new RaskDemo(0, 1000));

//阻塞当前线程直到 ForkJoinPool 中所有的任务都执行结束  
    forkJoinPool.awaitTermination(2, TimeUnit.SECONDS);

// 关闭线程池  
    forkJoinPool.shutdown();  
\}

运行结果

从上面结果来看，ForkJoinPool启动了四个线程来执行这个打印任务，我的计算机的CPU是四核的。大家还可以看到程序虽然打印了0-999这一千个数字，但是并不是连续打印的，这是因为程序将这个打印任务进行了分解，分解后的任务会并行执行，所以不会按顺序打印。

RecursiveTask  
下面以一个有返回值的大任务为例，介绍一下RecursiveTask的用法。

大任务是：计算随机的1000个数字的和。

小任务是：每次只能70个数值的和。

package com.example.jedis.test;

import java.util.concurrent.RecursiveTask;

/\*\*  
 \*  
 \* @Author : Wukn  
 \* @Date : 2018/2/5  
 \*/  
public class RecursiveTaskDemo extends RecursiveTask<Integer> \{

/\*\*  
     \*  每个"小任务"最多只打印70个数  
     \*/  
    private static final int MAX = 70;  
    private int arr\[\];  
    private int start;  
    private int end;

public RecursiveTaskDemo(int\[\] arr, int start, int end) \{  
        this.arr = arr;  
        this.start = start;  
        this.end = end;  
    \}

@Override  
    protected Integer compute() \{  
        int sum = 0;  
        // 当end-start的值小于MAX时候，开始打印  
        if((end - start) < MAX) \{  
            for (int i = start; i < end; i++) \{  
                sum += arr\[i\];  
            \}  
            return sum;  
        \}else \{  
            System.err.println("=====任务分解======");  
            // 将大任务分解成两个小任务  
            int middle = (start + end) / 2;  
            RecursiveTaskDemo left = new RecursiveTaskDemo(arr, start, middle);  
            RecursiveTaskDemo right = new RecursiveTaskDemo(arr, middle, end);  
            // 并行执行两个小任务  
            left.fork();  
            right.fork();  
            // 把两个小任务累加的结果合并起来  
            return left.join() + right.join();  
        \}  
    \}

\}  
    @Test  
    public void dfs() throws Exception\{  
        int arr\[\] = new int\[1000\];  
        Random random = new Random();  
        int total = 0;  
        // 初始化100个数字元素  
        for (int i = 0; i < arr.length; i++) \{  
            int temp = random.nextInt(100);  
            // 对数组元素赋值,并将数组元素的值添加到total总和中  
            total += (arr\[i\] = temp);  
        \}  
        System.out.println("初始化时的总和=" + total);

// 创建包含Runtime.getRuntime().availableProcessors()返回值作为个数的并行线程的ForkJoinPool  
        ForkJoinPool forkJoinPool = new ForkJoinPool();

// 提交可分解的PrintTask任务  
//        Future<Integer> future = forkJoinPool.submit(new RecursiveTaskDemo(arr, 0, arr.length));  
//        System.out.println("计算出来的总和="+future.get());

Integer integer = forkJoinPool.invoke( new RecursiveTaskDemo(arr, 0, arr.length)  );  
        System.out.println("计算出来的总和=" + integer);

// 关闭线程池  
        forkJoinPool.shutdown();  
    \}

从上面结果来看，ForkJoinPool将任务分解了15次，程序通过SumTask计算出来的结果，和初始化数组时统计出来的总和是相等的，这表明计算结果一切正常。

总结

第一步分割任务

首先我们需要有一个fork类来把大任务分割成子任务，有可能子任务还是很大，所以还需要不停的分割，直到分割出的子任务足够小。

第二步执行任务并合并结果。

分割的子任务分别放在双端队列里，然后几个启动线程分别从双端队列里获取任务执行。子任务执行完的结果都统一放在一个队列里，启动一个线程从队列里拿数据，然后合并这些数据。

能够轻松的利用多个 CPU 提供的计算资源来协作完成一个复杂的计算任务，提高运行效率！

java8新的写法

/\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*  并行流 与 顺序流  \*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*\*/

/\*\*  
     \*并行流 与 顺序流  
     \*/  
    @Test  
    public void test03() \{

Instant start = Instant.now();  
        LongStream.rangeClosed( 0,110 )  
                //并行流  
                .parallel()  
                .reduce( 0,Long::sum );

LongStream.rangeClosed( 0,110 )  
                //顺序流  
                .sequential()  
                .reduce( 0,Long::sum );

Instant end = Instant.now();  
        System.out.println("耗费时间"+ Duration.between( start,end ).toMillis());

[https_blog.csdn.net_weixin_41404773_article_details_80733324]: https://blog.csdn.net/weixin_41404773/article/details/80733324