无限分解流----Fork/Join框架-Toy模板网

这篇具有很好参考价值的文章主要介绍了无限分解流----Fork/Join框架。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

Fork译为拆分，Join译为合并
Fork/Join框架的思路是把一个非常巨大的任务，拆分成若然的小任务，再由小任务继续拆解。直至达到一个相对合理的任务粒度。然后执行获得结果，然后将这些小任务的结果汇总，生成大任务的结果，
直至汇总成最初巨大任务的结果。如下图：

无限分解流----Fork/Join框架

红色箭头代表拆分子任务。
绿色箭头代表返回子任务结果
这个框架的思路听起来，其实用传统的线程池、多线程完全就可以解决。但是内部却有很多小的细节（后边会说到），再加上清晰的使用思路，让这个框架还是在多线程并发中，占有了一席之地。
Fork/Join框架下，我们常用到三个类：(防盗连接：本文首发自http://www.cnblogs.com/jilodream/ )
RecursiveAction，子任务类，支持子任务有返回结果任务
RecursiveTask，子任务类，用于有返回结果的任务
ForkJoinPool，执行子任务的线程池。
话不多说，我们直接看代码：

 1 public class SumDemo extends RecursiveTask<Long> {
 2 
 3     int maxLen = 800_0000;
 4 
 5     int[] arr;
 6     int start;
 7     int end;
 8 
 9 
10     public SumDemo(int[] arr, int start, int end) {
11         this.arr = arr;
12         this.start = start;
13         this.end = end;
14     }
15 
16     @Override
17     protected Long compute() {
18         if (end - start < maxLen) {
19             long a = sum();
20             try {
21                 //Thread.sleep(1);
22             } catch (Exception e) {
23             }
24             return a;
25         }
26         int middle = (start + end) / 2;
27         SumDemo left = new SumDemo(arr, start, middle);
28         SumDemo right = new SumDemo(arr, middle + 1, end);
29         left.fork();
30         right.fork();
31         //invokeAll(left,right);
32         long leftRtn = left.join();
33         long rightRtn = right.join();
34         return leftRtn + rightRtn;
35     }
36 
37     private Long sum() {
38         System.out.println("now" + Thread.currentThread().getName() + "-start:" + start + "-end:" + end);
39         long sum = 0;
40         for (int i = start; i <= end; i++) {
41             sum += arr[i];
42         }
43         return sum;
44     }
45 
46     public static void main(String[] args) throws ExecutionException, InterruptedException {
47         int size = 30000_0000;
48         int[] arr = new int[size];
49         Random random = new Random(0);
50         for (int i = 0; i < size; i++) {
51             arr[i] = random.nextInt(10_0000_0000);
52         }
53         long cal = 0;
54         long start = System.currentTimeMillis();
55         for (int i = 0; i < size; i++) {
56             if (i % 800_0000 == 0) {
57                 Thread.sleep(1);
58             }
59             cal += arr[i];
60         }
61         long finish = System.currentTimeMillis();
62         long timeCost = finish - start;
63         System.out.println("cal" + cal);
64         long start1 = System.currentTimeMillis();
65         ForkJoinPool forkJoinPool = new ForkJoinPool();
66         ForkJoinTask<Long> result = forkJoinPool.submit(new
67                 SumDemo(arr, 0, size - 1));
68         long rtn = result.get();
69         long finish1 = System.currentTimeMillis();
70         long forkJoinCost = finish1 - start1;
71         System.out.println("one thread  cost" + (timeCost));
72         System.out.println("fork join cost" + forkJoinCost);
73     }
74 }

执行的结果大概是这样的

 1 cal150000314007254036
 2 nowForkJoinPool-1-worker-1-start:0-end:4687499
 3 nowForkJoinPool-1-worker-3-start:187500000-end:192187499
 4 nowForkJoinPool-1-worker-5-start:37500000-end:42187499
 5 nowForkJoinPool-1-worker-6-start:225000000-end:229687499
 6 .....
 7 nowForkJoinPool-1-worker-3-start:220312500-end:224999999
 8 nowForkJoinPool-1-worker-7-start:267187500-end:271874999
 9 nowForkJoinPool-1-worker-2-start:107812500-end:112499999
10 nowForkJoinPool-1-worker-4-start:281250000-end:285937499
11 nowForkJoinPool-1-worker-7-start:271875000-end:276562499
12 nowForkJoinPool-1-worker-5-start:135937500-end:140624999
13 nowForkJoinPool-1-worker-11-start:140625000-end:145312499
14 nowForkJoinPool-1-worker-6-start:276562500-end:281249999
15 nowForkJoinPool-1-worker-4-start:285937500-end:290624999
16 nowForkJoinPool-1-worker-11-start:145312500-end:149999999
17 nowForkJoinPool-1-worker-7-start:290625000-end:295312499
18 nowForkJoinPool-1-worker-4-start:295312500-end:299999999
19 one thread cost136
20 fork join cost67

线程池默认大小是根据cpu当前的可用核数来作为大小的，我们这里是12核，但是12核居然只比单一线程用时少50%，这是挺奇怪的，这主要是由于我们Demo中的任务是连续的计算密集型任务，这种情况下单一线程的表现也很优秀，forkJoin反而由于要不断协调线程

任务而导致会损耗性能，所以差距并不明显。倘若放开注释中的睡眠时间，则两者的差距会拉开的非常大，如下：

1 one thread  cost675
2 fork join cost194

代码的思路大概是这样的：

我们先定义一个子任务类，子任务类设置一个阈值，子任务开始任务时会判断：
如果计算量未超过阈值呢，说明任务足够小，我们当前子任务直接就执行计算了。
如果计算量超过阈值，说明任务比较大我们需要进行拆分，此时创建好拆分子任务，并使用fork()方法即可。拆分后的子任务，则后续使用join等待结果即可。
这样通过Fork/Join框架实现大任务的计算就算是搞定了。(防盗连接：本文首发自http://www.cnblogs.com/jilodream/ )

那既然是线程池，是如何协调线程来计算子任务的呢？

（1）与传统线程池共享一个任务队列不同的是，Fork/Join框架中，每个子任务都有一个属于自己线程的任务队列（但是两者其实并不是一对一的关系，源码很复杂），如下图：

无限分解流----Fork/Join框架

这样肯定会由于任务规模、计算难度的不同，导致有些线程很快执行完了，其它线程还有很长的任务队列，那怎么办呢？
Fork/Join框架会让任务已经完成的线程，从其它任务的队列的尾端去取任务，这样一方面加速了任务的完成，一方面又减少了线程由于并发操作队列可能存在的并发问题。
这种方式，我们也将它称为“工作窃取”如下图：

无限分解流----Fork/Join框架

（2）Fork出来的子任务被谁执行了：
通过阅读源码我们可以发现，如果当前线程是线程池线程，则直接把fork出的子任务丢到当前线程的队列中，否则会通过计算随机的提交到其他的线程所拥有的的队列中。由其他线程来完成。

1     public final ForkJoinTask<V> fork() {
2         Thread t;
3         if ((t = Thread.currentThread()) instanceof ForkJoinWorkerThread)
4             ((ForkJoinWorkerThread)t).workQueue.push(this);
5         else
6             ForkJoinPool.common.externalPush(this);
7         return this;
8     }