「本文已参与好文召集令活动，点击查看后端、大前端双赛道投稿，2万元奖池等你挑战！」
肥肥的主管： 小饭饭，了解ForkJoinPool吗
帅气的小饭饭： 了解啊，Caffeine中默认用到的处理线程池就是这个
肥肥的主管： 和ThreadPoolExecutor有什么区别吗？
帅气的小饭饭： (⊙o⊙)…，这个没了解
肥肥的主管： 有什么应用场景吗？能引入我们的游戏中吗？有什么弊端吗？
帅气的小饭饭： (⊙o⊙)…，我周末研究下
以上就是我，帅气的小饭饭被小肥肥刁难的日常了。
image-20210620115400862
每次看到这个，总会邪恶的想到FuckXXX的。
其实好久前就知道这个FuckXXX了，比如Caffeine、Netty中默认提供的线程池，只是一直没有去研究它。
过了个周末，我李汉三终于搞懂了ForkJoinPool了，终于可以和小肥肥正面肝上了
image-20210620154701046
看完该篇文章你大概可以了解到这些知识点：
-
ForkJoinPool是什么
-
和ThreadPoolExecutor有什么区别
-
应用场景是啥
-
好处和弊端
-
常见面试题
小肥肥： 周末不是研究了下ForkJoinPool吗？说说看是啥东西啊这？
*帅气的小饭饭： * 是啊是啊，可卖力了，现在已经研究透彻了，
ForkJoinPool是JDK7引入的线程池，核心思想是将大的任务拆分成多个小任务（即fork），然后在将多个小任务处理汇总到一个结果（即join），非常像MapReduce处理原理。
同时呢，它还提供基本的线程池功能，支持设置最大并发线程数，支持任务排队，支持线程池停止，支持线程池使用情况监控，也是AbstractExecutorService的子类，主要引入了“工作窃取”机制，在多CPU计算机上处理性能更佳。
为了让你看清楚这个过程，我还特地画了个流程图给你look look
image-20210620120440613
小肥肥： 什么叫“工作窃取”机制啊，这么屌的
*帅气的小饭饭： *和它的名字一样啊，就是窃取啊，work-stealing（工作窃取），ForkJoinPool提供了一个更有效的利用线程的机制，当ThreadPoolExecutor还在用单个队列存放任务时，ForkJoinPool已经分配了与线程数相等的队列，当有任务加入线程池时，会被平均分配到对应的队列上，各线程进行正常工作，当有线程提前完成时，会从队列的末端“窃取”其他线程未执行完的任务，当任务量特别大时，CPU多的计算机会表现出更好的性能，就是这么强啊。
image-20210620123535386
小肥肥： 我擦，好强，原理是啥啊
*帅气的小饭饭： *原理啊，我罗列下吧
- ForkJoinPool 的每个工作线程都维护着一个工作队列（
WorkQueue），这是一个双端队列（Deque），里面存放的对象是任务（ForkJoinTask）。 - 每个工作线程在运行中产生新的任务，通常是因为调用了fork()，会放入工作队列的队尾，并且工作线程在处理自己的工作队列时，使用的是 LIFO 方式，也就是说每次从队尾取出任务来执行。
- 每个工作线程在处理自己的工作队列同时，会尝试窃取一个任务，这个窃取行为或是来自于刚刚提交到 pool 的任务，或是来自于其他工作线程的工作队列，窃取的任务位于其他线程的工作队列的队首，也就是说工作线程在窃取其他工作线程的任务时，使用的是 FIFO 方式。
- 在遇到 join() 时，如果需要 join 的任务尚未完成，则会先处理其他任务，并等待其完成。
- 在既没有自己的任务，也没有可以窃取的任务时，进入休眠。
*小肥肥： *了解了，那除此之外还和ThreadPoolExecutor有什么区别吗
*帅气的小饭饭： *(⊙o⊙)…，最大的区别就是这个工作窃取机制了，其他的，我想想看哦，突然想到了我们游戏内的线程池模型
我们游戏内使用的ThreadPoolExecutor线程池内的对应线程池是有明确规定的，比如A线程只能处理一批玩家的数据，B线程只能处理另一批玩家的数据，这里用了取摩的思想，而ForkJoinPool 这种窃取思想，自身是并行计算，无法对对应线程进行明确的工作划分，单纯这点来说，其实就不适合用来做我们的线程模型的载体了。
_小肥肥：_嗯，也是，那它有啥应用场景呢
*帅气的小饭饭： *ForkJoinPool 最适合的是计算密集型的任务，如果存在 I/O，线程间同步，sleep() 等会造成线程长时间阻塞的情况时，最好配合使用 ManagedBlocker，或者不用。
为了让小肥肥看清楚这个应用场景，我打开了idea，怒写了以下代码【其实是从网上看到的例子】
方案一：平平无奇的for循环解决
public interface Calculator { /** * 把传进来的所有numbers 做求和处理 * * @param numbers * @return 总和 */ long sumUp(long[] numbers);}
日常代码
public class ForLoopCalculator implements Calculator { @Override public long sumUp(long[] numbers) { long total = 0; for (long i : numbers) { total += i; } return total; }}
执行类
public static void main(String[] args) { long[] numbers = LongStream.rangeClosed(1, 10000000).toArray(); Instant start = Instant.now(); Calculator calculator = new ForLoopCalculator(); long result = calculator.sumUp(numbers); Instant end = Instant.now(); System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms"); System.out.println("结果为：" + result); }输出：耗时：10ms结果为：50000005000000
方案二：ExecutorService多线程方式实现
public class ExecutorServiceCalculator implements Calculator { private int parallism; private ExecutorService pool; public ExecutorServiceCalculator() { parallism = Runtime.getRuntime().availableProcessors(); // CPU的核心数 默认就用cpu核心数了 pool = Executors.newFixedThreadPool(parallism); } //处理计算任务的线程 private static class SumTask implements Callable<Long> { private long[] numbers; private int from; private int to; public SumTask(long[] numbers, int from, int to) { this.numbers = numbers; this.from = from; this.to = to; } @Override public Long call() { long total = 0; for (int i = from; i <= to; i++) { total += numbers[i]; } return total; } } @Override public long sumUp(long[] numbers) { List<Future<Long>> results = new ArrayList<>(); // 把任务分解为 n 份，交给 n 个线程处理 4核心 就等分成4份呗 // 然后把每一份都扔个一个SumTask线程 进行处理 int part = numbers.length / parallism; for (int i = 0; i < parallism; i++) { int from = i * part; //开始位置 int to = (i == parallism - 1) ? numbers.length - 1 : (i + 1) * part - 1; //结束位置 //扔给线程池计算 results.add(pool.submit(new SumTask(numbers, from, to))); } // 把每个线程的结果相加，得到最终结果 get()方法 是阻塞的 // 优化方案：可以采用CompletableFuture来优化 JDK1.8的新特性 long total = 0L; for (Future<Long> f : results) { try { total += f.get(); } catch (Exception ignore) { } } return total; }}
执行类
public static void main(String[] args) { long[] numbers = LongStream.rangeClosed(1, 10000000).toArray(); Instant start = Instant.now(); Calculator calculator = new ExecutorServiceCalculator(); long result = calculator.sumUp(numbers); Instant end = Instant.now(); System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms"); System.out.println("结果为：" + result); // 打印结果500500 }输出：耗时：30ms结果为：50000005000000
方案三：采用ForkJoinPool（Fork/Join）
public class ForkJoinCalculator implements Calculator { private ForkJoinPool pool; //执行任务RecursiveTask：有返回值 RecursiveAction：无返回值 private static class SumTask extends RecursiveTask<Long> { private long[] numbers; private int from; private int to; public SumTask(long[] numbers, int from, int to) { this.numbers = numbers; this.from = from; this.to = to; } //此方法为ForkJoin的核心方法：对任务进行拆分 拆分的好坏决定了效率的高低 @Override protected Long compute() { // 当需要计算的数字个数小于6时，直接采用for loop方式计算结果 if (to - from < 6) { long total = 0; for (int i = from; i <= to; i++) { total += numbers[i]; } return total; } else { // 否则，把任务一分为二，递归拆分(注意此处有递归)到底拆分成多少分 需要根据具体情况而定 int middle = (from + to) / 2; SumTask taskLeft = new SumTask(numbers, from, middle); SumTask taskRight = new SumTask(numbers, middle + 1, to); taskLeft.fork(); taskRight.fork(); return taskLeft.join() + taskRight.join(); } } } public ForkJoinCalculator() { // 也可以使用公用的线程池 ForkJoinPool.commonPool()： // pool = ForkJoinPool.commonPool() pool = new ForkJoinPool(); } @Override public long sumUp(long[] numbers) { Long result = pool.invoke(new SumTask(numbers, 0, numbers.length - 1)); pool.shutdown(); return result; }}输出：耗时：390ms结果为：50000005000000
方案四：采用并行流
public static void main(String[] args) { Instant start = Instant.now(); long result = LongStream.rangeClosed(0, 10000000L).parallel().reduce(0, Long::sum); Instant end = Instant.now(); System.out.println("耗时：" + Duration.between(start, end).toMillis() + "ms"); System.out.println("结果为：" + result); // 打印结果500500 }输出：耗时：130ms结果为：50000005000000
并行流底层也是Fork/Join框架，只是任务拆分优化得很好。
耗时效率方面解释：Fork/Join 并行流等当计算的数字非常大的时候，优势才能体现出来。也就是说，如果你的计算比较小，或者不是CPU密集型的任务，不太建议使用并行处理。
小肥肥： 不明觉厉，看起来就是不适用，使用它的好处和弊端呢？
帅气的小饭饭： 好处就是对CPU的充分利用了，特别是在计算密集型的任务的时候，弊端就是需要对任务进行拆分，拆分的好坏也意味着任务的好坏，对开发人员来说，还是有点成本存在的。
小肥肥： 嗯，确实，我这边有份简历，有某初级游戏开发说用上了这个技术，你设计下相关面试题问问人家吧。
帅气的小饭饭： 好吧，那这边大概设计以下几道面试题吧
- 什么是ForkJoin？
- 说说看ForkJoin的内部原理？
- 大概聊聊工作窃取机制？
- 如何充分利用CPU，计算超大数组中所有整数的和？
这些面试题的答案基本上都在我们聊的话题中啦。
小肥肥： 挺好的，等着升资深开发吧你，周末还学习，对了，总结下，将刚刚的聊天记录总结下，然后后期做个分享。
帅气的小饭饭： 哦豁，可以啊，先加点钱啊，穷啊，我总结下吧
-
ForkJoinPool特别适合于“分而治之”算法的实现；
-
ForkJoinPool和ThreadPoolExecutor是互补的，不是谁替代谁的关系，二者适用的场景不同；
-
ForkJoinTask有两个核心方法——fork()和join()，有三个重要子类——RecursiveAction、RecursiveTask和CountedCompleter；
-
ForkjoinPool内部基于“工作窃取”算法实现；
-
每个线程有自己的工作队列，它是一个双端队列，自己从队列头存取任务，其它线程从尾部窃取任务；
-
ForkJoinPool最适合于计算密集型任务，但也可以使用ManagedBlocker以便用于阻塞型任务；
-
RecursiveTask内部可以少调用一次fork()，利用当前线程处理，这是一种技巧；
