面试题 | 有用过并发容器吗？有！比如网络请求埋点

唐子玄
3,814 阅读12分钟

引子

网络请求埋点即是在客户端收集网络请求数据并上传云端，为网络性能优化提供数据支持。（本篇网络请求将基于 OkHttp + Retrofit）

通常采集的数据包括如下字段：

  1. ip 地址
  2. 网络类型（蜂窝数据, WIFI）
  3. 用户 id
  4. DNS 耗时
  5. 建立连接耗时
  6. 请求总耗时
  7. 请求 url
  8. 请求方式（GET, POST）
  9. 响应码
  10. 响应协议（HTTP/2, QUIC）

其中 4 到 10 的字段和网络请求强相关。

采集数据

和网络强相关的数据并不能在“一个地方”获取。

OkHttp 提供了okhttp3.EventListener事件监听器来监控网络数据：

abstract class EventListener {
  // 请求开始
  open fun callStart(call: Call) {}
  // dns 开始
  open fun dnsStart(call: Call,domainName: String) {}
  // dns 结束
  open fun dnsEnd(call: Call,domainName: String,inetAddressList: List<@JvmSuppressWildcards InetAddress>) {}
  // 连接开始
  open fun connectStart(call: Call,inetSocketAddress: InetSocketAddress,proxy: Proxy) {}
  // TLS 开始
  open fun secureConnectStart(call: Call) {}
  // TLS 结束
  open fun secureConnectEnd(call: Call,handshake: Handshake?) {}
  // 连接失败
  open fun connectFailed(call: Call,inetSocketAddress: InetSocketAddress,proxy: Proxy,protocol: Protocol?,ioe: IOException) {}
  // 请求结束
  open fun callEnd(call: Call) {}
  // 请求失败
  open fun callFailed(call: Call,ioe: IOException) {}
}

事件监听器提供了很多函数，上述是和这次要采集数据相关的。

自定义一个事件监听器：

class TrackEventListener : EventListener() {
    private var callStartMillis: Long? = null // 请求开始毫秒时
    private var dnsStartMillis: Long? = null // dns开始毫秒时
    private var tcpConnectStartMillis: Long? = null // tcp连接开始毫秒时
    private var tlsConnectStartMillis: Long? = null // tls连接开始毫秒时
    private var callDuration = 0L // 请求耗时
    private var dnsDuration = 0L // dns耗时
    private var tcpDuration = 0L // tcp耗时
    private var tlsDuration = 0L // tls耗时

    override fun callStart(call: Call) {
        callStartMillis = System.currentTimeMillis()
    }
    override fun callEnd(call: Call) {
        callStartMillis = callStartMillis ?: System.currentTimeMillis()
        callDuration = System.currentTimeMillis() - callStartMillis!!
    }
    override fun callFailed(call: Call, ioe: IOException) {
        callStartMillis = callStartMillis ?: System.currentTimeMillis()
        callDuration = System.currentTimeMillis() - callStartMillis!!
    }
    override fun dnsStart(call: Call, domainName: String) {
        dnsStartMillis = System.currentTimeMillis()
    }
    override fun dnsEnd(call: Call, domainName: String, inetAddressList: List<InetAddress>) {
        dnsStartMillis = dnsStartMillis ?: System.currentTimeMillis()
        dnsDuration = System.currentTimeMillis() - dnsStartMillis!!
    }
    override fun connectStart(call: Call, inetSocketAddress: InetSocketAddress, proxy: Proxy) {
        tcpConnectStartMillis = System.currentTimeMillis()
    }
    override fun secureConnectStart(call: Call) {
        tlsConnectStartMillis = tlsConnectStartMillis ?: System.currentTimeMillis()
        tcpDuration = System.currentTimeMillis() - tcpConnectStartMillis!!
    }
    override fun secureConnectEnd(call: Call, handshake: Handshake?) {
        tlsDuration = System.currentTimeMillis() - tlsConnectStartMillis!!
    }
    override fun connectFailed(call: Call,inetSocketAddress: InetSocketAddress,proxy: Proxy,protocol: Protocol?,ioe: IOException) {
        tcpDuration = System.currentTimeMillis() - tcpConnectStartMillis!!
    }
}

耗时相关数据的采集思路是：在事件开始的回调中记录开始时间点，在对应事件结束回调中统计耗时。

如此一来，耗时相关数据都保存在自定义事件监听器实例中。

剩下的请求 url，请求方式，响应码，响应协议，通过拦截器获取：

class TrackInterceptor : Interceptor {
    override fun intercept(chain: Interceptor.Chain): Response {
        // 沿着责任链继续传递
        val response = chain.proceed(chain.request())
        response.code // 响应码
        response.protocol // 响应协议
        response.request.url // 请求url
        response.request.method // 请求方式
        return response
    }
}

OkHttp 的拦截器是一个 “回形针” ，即请求发出和响应返回会经过一个拦截器两次：

微信截图_20220330234617.png

  • 其中向右的箭头表示逐个遍历拦截器将请求发送出去（递归中的递），表现在代码上即是chain.proceed()的调用。
  • 其中向左的箭头表示响应沿着请求发发出相反的顺序传递给客户端（递归中的归），表现在代码上即是chain.proceed()的返回。

(关于 OkHttp 中使用的拦截器模式的实战应用可以点击面试题 | 怎么写一个又好又快的日志库？ - 掘金 (juejin.cn))

为 OkHttpClient 添加一个埋点拦截器就能实现“雁过拔毛”式的埋点：

OkHttpClient.Builder()
    .addInterceptor(TrackInterceptor())
    .build()

标识网络请求

现在的问题是，有些数据在 EventListener 中，而另一些在拦截其中，如何将这些数据联系起来？即如何判定两处产生的数据属于同一个请求？

那就为每个请求生成一个 id。

Retrofit 提供了一个构建请求的工厂类：

fun interface Factory {
  fun newCall(request: Request): Call
}

抽象方法newCall()用来定义如何构建一个请求。

// 自定义 Factory，构造时传入另一个 Factory（装饰者模式）
class TrackCallFactory(private val factory: Call.Factory) : Call.Factory {
    private val callId = AtomicLong(1L) // 唯一标识一个请求
    override fun newCall(request: Request): Call {
        val id = callId.getAndIncrement() // 获取新请求id
        // 重构 Request 实例，并通过tag方式带上请求id
        val newRequest = request.newBuilder().tag(id).build()
        // 将新请求传递给被装饰的 factory
        return factory.newCall(newRequest)
    }
}

自定义一个 Call.Factory，并在构造函数中传入另一个 Factory 实例，目的是“复用构建请求的行为”，并在此之上，扩展新的行为：为每个请求添加 id。（这是装饰者模式，关于该设计模式的详解可以点击使用组合的设计模式 | 美颜相机中的装饰者模式 - 掘金 (juejin.cn)）

请求 id 被定义成一个 Long，并从 1 开始自增，通过请求的 tag 和其绑定。

然后在构建 Retrofit 实例时指定 Factory 即可：

// 构建 OkHttpClient 实例，它也是一个 Call.Factory
val okHttpClient = OkHttpClient.Builder()
    .addInterceptor(TrackInterceptor())
    .build()
// 构建 Retrofit 实例
val retrofit: Retrofit = Retrofit.Builder()
    .callFactory(TrackCallFactory(okHttpClient))
    .addConverterFactory(GsonConverterFactory.create())
    .build()

请求 id 和 Request 对象绑定后，就能在埋点拦截器中拿到：

class TrackInterceptor : Interceptor {
    override fun intercept(chain: Interceptor.Chain): Response {
        val response = chain.proceed(chain.request())
        // 获取请求 id
        val callId = chain.request().tag() as? Long
        callId?.let {
            response.code // 响应码
            response.protocol // 响应协议
            response.request.url // 请求url
            response.request.method // 请求方式
        }
        return response
    }
}

EventListener 的每个回调也都提供了 Call 对象，可通过它获取 Request 对象：

class TrackEventListener : EventListener() {
    override fun callStart(call: Call) {
        // 在回调中获取请求id
        val callId = call.request().tag() as? Long
    }
    ...
}

汇总数据

事件监听器和拦截器的数据得汇总到一起，才能得出一个请求完整的网络数据。

想到的办法是，将这些数据统统写入一个的列表中：

typealias CallInfo = Triple<Long, String, Any>

val datas = mutableListOf<CallInfo>()

将请求埋点数据设计为一个三元组Triple，其中第一个元素是请求 id，第二个是键，第三个是值。

为了增加三元组的语义，降低复杂度，使用typealias语法为三元组取了一个新名字CallInfo

数据容器被设计成顶层 CallInfo 列表，以方便在各处访问。

在拦截器中将数据写入列表：

class TrackInterceptor : Interceptor {
    override fun intercept(chain: Interceptor.Chain): Response {
        val response = chain.proceed(chain.request())
        val callId = chain.request().tag() as? Long
        callId?.let {
            datas.add(CallInfo(it, "code", response.code))
            datas.add(CallInfo(it, "protocol", response.protocol))
            datas.add(CallInfo(it, "url", response.request.url))
            datas.add(CallInfo(it, "method", response.request.method))
        }
        return response
    }
}

在事件监听器中将数据写入列表：

class TrackEventListener : EventListener() {
    override fun callEnd(call: Call) {
        val callId = call.request().tag() as? Long
        datas.add(CallInfo(callId, "duration", callDuration))
    }
    ...
}

并发请求数据错乱

OkHttp 的请求是并发的，若所有请求共用一个事件监听器，则数据会发生错乱。

不得不为每个请求申请独立的事件监听器，OkHttp 提供了一个事件监听器的工厂方法：

fun interface Factory {
  fun create(call: Call): EventListener
}

抽象方法 create() 用于定义如何为一个请求构建对应的事件监听器，自定义工厂如下：

object TrackEventListenerFactory : EventListener.Factory {
    override fun create(call: Call): EventListener {
        val callId = call.request().tag() as? Long // 获取请求id 
        return TrackEventListener(callId) // 将请求id传递给事件监听器 
    }
}

// 自定义事件监听器也做相应的改动，新增成员 callId
class TrackEventListener(private val callId: Long?) : EventListener() {}

然后在构建 OkHttpClient 实例的时候设置工厂即可：

OkHttpClient.Builder()
    .addInterceptor(TrackInterceptor())
    .eventListenerFactory(TrackEventListenerFactory) // 指定事件监听器工厂
    .build()

数据容器选择

CopyOnWriteArrayList

即使是这样，数据依然会错乱。

因为 OkHttp 的异步请求是在不同线程中执行的，即事件监听器是在不同线程回调的。所以就会发生多线程并发写数据容器，存在线程安全问题。

第一个想到的线程安全的容器是CopyOnWriteArrayList，于是乎有了网络埋点的第一个版本：

class TrackEventListener(private val callId: Long?) : EventListener() {
    private var callStartMillis: Long? = null
    private var callDuration = 0L
    ...

    companion object {
        // 数据容器
        private val trackers = CopyOnWriteArrayList<Triple<Long, String, Any>>()
        // 写数据
        fun put(callId: Long, key: String, value: Any) {
            trackers.add(Triple(callId, key, value))
        }
        
        // 消费数据：读取一个请求的所有数据，并组织成 map
        fun get(callId: Long): Map<String, Any> =
            trackers.filter { it.first == callId }
                .map { it.second to it.third }
                .let { mapOf(*it.toTypedArray()) }
                
        // 移除一个请求的所有数据
        fun removeAll(callId: Long) {
            if (Build.VERSION.SDK_INT >= Build.VERSION_CODES.N) {
                trackers.removeIf { it.first == callId }
            }else {
                synchronized(trackers){
                    trackers.removeAll { it.first == callId }
                }
            }
        }
        // 回调数据给上层的接口
        var networkTrackCallback: NetworkTrackCallback? = null
    }

    override fun callStart(call: Call) {
        callId?.let { callStartMillis = System.currentTimeMillis() }
    }

    override fun callEnd(call: Call) {
        callId?.let {
            callStartMillis = callStartMillis ?: System.currentTimeMillis()
            callDuration = System.currentTimeMillis() - callStartMillis!!
            // 写数据
            put(callId, "duration", callDuration)
            // 将数据回调给上层
            networkTrackCallback?.onCallEnd(get(callId))
            // 移除当前请求的所有数据
            removeAll(callId)
        }
    }
    ...
}

// 网络数据回调
interface NetworkTrackCallback {
    fun onCallEnd(map: Map<String, Any>)
}

埋点拦截器也做了相应修改将数据写到 CopyOnWriteArrayList：

class TrackInterceptor : Interceptor {
    override fun intercept(chain: Interceptor.Chain): Response {
        val response = chain.proceed(chain.request())
        val callId = chain.request().tag() as? Long
        callId?.let {
            TrackEventListener.put(it, "code", response.code)
            TrackEventListener.put(it, "protocol", response.protocol)
            TrackEventListener.put(it, "url", response.request.url)
            TrackEventListener.put(it, "method", response.request.method)
        }
        return response
    }
}

单个请求数据的起点是callStart()，相应的终点是callEnd()，所以将消费数据的逻辑写在了其中。

消费数据的方式是遍历容器，过滤出给定请求 id 的所有记录，将它们的键和值组织成 Map，并回调NetworkTrackCallback.onCallEnd(map: Map<String, Any>)。业务层通过实现该接口，就能拿到与网络强相关的埋点数据，只需在 map 结构中拼接上剩下的数据，即可将数据上报云端。

选用CopyOnWriteArrayList其实没什么大毛病，只是性能上会稍微差一点。

CopyOnWriteArrayList 采用数组作为容器，每次写数据时，将原有数组拷贝到一块新内存，在新数组末尾追加数据，最后将数组引用指向新数组：

public class CopyOnWriteArrayList<E> {
    // 容器
    private transient volatile Object[] array;
    // 插入元素
    public boolean add(E e) {
        synchronized (lock) {// 防止并发写导致复制出好几份副本
            Object[] elements = getArray();
            int len = elements.length;
            // 原数组的副本
            Object[] newElements = Arrays.copyOf(elements, len + 1);
            // 在新数组末尾追加元素
            newElements[len] = e;
            // 将容器引用指向新数组
            setArray(newElements);
            return true;
        }
    }
}

CopyOnWriteArrayList 的写操作被上了对象锁，遂无法实现并发写，即当一个线程成功获取锁后，其他竞争线程陷入阻塞。

相比之下 CopyOnWriteArrayList 的读数据操作性能就很好了：

// java.util.concurrent.CopyOnWriteArrayList

public E get(int index) {
    return get(getArray(), index);
}

private E get(Object[] a, int index) {
    return (E) a[index];
}

final Object[] getArray() {
    return array;
}

就是普通的取数组元素，速度很快。

由于对象锁和数组拷贝操作导致 CopyOnWriteArrayList 的写操作无法实现并发写，且若写入操作频繁，则会增加内存压力。

ConcurrentLinkedQueue

App 并发地请求多个接口是很常见的，对于网络请求埋点来说，即存在多线程并发写数据容器的场景。

若使用 CopyOnWriteArrayList 作为数据容器，不仅会增加内存压力，甚至还可能造成请求响应被阻塞的情况，比如多个请求同时返回，其中一个线程写埋点数据时获取锁，则其他线程必定被阻塞。

哪个线性容器可以实现真正地并发写？非ConcurrentLinkedQueue莫属！

ConcurrentLinkedQueue 是一个队列，即存队尾，取队头。存储结构是带头尾指针的单链表。它用非阻塞的方式实现了线程安全，即未使用锁，而是使用CAS + volatile保证了修改头尾指针的线程安全。

关于 ConcurrentLinkedQueue 的更详细分析可以点击面试题 | 徒手写一个 ConcurrentLinkedQueue？

理论上，在网络请求埋点的场景下，ConcurrentLinkedQueue 作为数据容器的性能要好于 CopyOnWriteArrayList。因为它可以实现真正的并发写，并且链式结构也不需要数组拷贝。

写一个 demo 验证下性能差异：

class ConcurrentActivity : AppCompatActivity() {
    // 模拟多线程环境，OkHttp 最多 64 个并行任务。
    private val executor = Executors.newFixedThreadPool(64)
    // CopyOnWriteArrayList 容器
    private val cowArrayList = CopyOnWriteArrayList<CallInfo>()
    // ConcurrentLinkedQueue 容器
    private val concurrentQueue = ConcurrentLinkedQueue<CallInfo>()
    private val mainScope = MainScope()
    private var start = 0L
    
    // 获取容器，分别将返回值改为 cowArrayList，concurrentQueue 进行测试
    private fun getList() = cowArrayList
    
    override fun onCreate(savedInstanceState: Bundle?) {
        super.onCreate(savedInstanceState)
        // 性能测试计时开始
        start = System.currentTimeMillis()
        // 模拟连续的 1000 个请求（并发写场景）
        repeat(1000) {
            executor.execute {
                getList().add(CallInfo(it.toLong(), "code", 200))
                getList().add(CallInfo(it.toLong(), "url", "https://www.ddd.com"))
                getList().add(CallInfo(it.toLong(), "protocol", "QUIC"))
                getList().add(CallInfo(it.toLong(), "method", "GET"))
            }
        }
        // 模拟 1000 个请求的响应
        mainScope.launch {
            // 模拟消费网络数据
            repeat(1000) { callId ->
                executor.execute {
                    getList().add(CallInfo(callId.toLong(), "duration", 10000))
                    // 消费网络数据
                    get(callId.toLong())
                    getList().removeIf { it.first == callId.toLong() }
                }
            }
            //等待所有异步任务完成
            executor.shutdown()
            executor.awaitTermination(Long.MAX_VALUE, TimeUnit.SECONDS)
            val size = getList().size
            // 输出性能耗时
            Log.v(
                "ttaylor",
                "onCreate() size=${size} consume=${System.currentTimeMillis() - start}"
            )

        }
    }

    // 消费同一个请求的网络数据，将他们组织成 map
    private fun get(callId: Long): Map<String, Any> {
        return getList().filter { it.first == callId }
            .map { it.second to it.third }
            .let { mapOf(*it.toTypedArray()) }
    }

}

// 网络数据实体类
typealias CallInfo = Triple<Long, String, Any>

模拟了连续发出的 1000 个网络请求，最大并发数为 64，统计使用不同容器消费掉所有网络数据的总耗时和内存占用，打印 log 如下：

// CopyOnWriteArrayList
ttaylor: onCreate() size=0 consume=455
ttaylor: onCreate() size=0 consume=337
ttaylor: onCreate() size=0 consume=262
ttaylor: onCreate() size=0 consume=247

// ConcurrentLinkedQueue
ttaylor: onCreate() size=0 consume=155
ttaylor: onCreate() size=0 consume=102
ttaylor: onCreate() size=0 consume=102
ttaylor: onCreate() size=0 consume=103

时间性能上差距非常明显，ConcurrentLinkedQueue 消耗掉所有网络数据的时间是 CopyOnWriteArrayList 的一半不到。

使用 AndroidStudio 的 profile 观察内存，demo 启动后内存稳定在 111 MB，使用 CopyOnWriteArrayList 时，内存最大飙升到 155 MB，而使用 ConcurrentLinkedQueue 的峰值内存为 132 MB。

总结

  • 基于 OkHttp + Retrofit 的网络数据埋点可通过事件监听器EventListener和拦截器采集数据。
  • 对于并发请求，得给每个请求分配一个 EventListener 以防止数据混乱。
  • 埋点数据的容器需考虑线程安全问题。
  • CopyOnWriteArrayList是一个以数组为存储介质的线性容器，它是线程安全的。写数据操作上锁了，即不允许并发写。执行写操作时会将原先数组拷贝一份，并在新数组尾部插入数据，最后将数组引用指向新数组。这样设计的目的是实现“读与写的并发”，即一个线程读的同时允许另一个线程写（其中读包括 get 和 iterate）。
  • ConcurrentLinkedQueue是一个以单链表为存储介质的线性队列，它是线程安全的。读写操作都没有上锁，可实现真正意义上的并发写，采用 CAS + volatile 实现线程安全。

推荐阅读

面试系列文章如下：

面试题 | 怎么写一个又好又快的日志库？（一）

面试题 | 怎么写一个又好又快的日志库？（二）

面试题 | 徒手写一个 ConcurrentLinkedQueue？

来讨论下 Android 面试该问什么类型的题目？

RecyclerView 面试题 | 哪些情况下表项会被回收到缓存池？

面试题 | 有用过并发容器吗？有！比如网络请求埋点

avatar
文章
阅读
粉丝
相关推荐
京东一面：post为什么会发送两次请求？🤪🤪🤪
247k阅读
 · 
3.0k点赞
面试官问：如果有100个请求，你如何使用Promise控制并发？
47k阅读
 · 
678点赞
听说你会Promise？ 那么如何控制请求并发数呢？
33k阅读
 · 
516点赞
面试官问我按钮级别权限怎么控制，我说v-if，面试官说再见
255k阅读
 · 
2.7k点赞
2023高频前端面试题合集之Vue（上篇）
199k阅读
 · 
1.3k点赞
2023前端面试题总结
149k阅读
 · 
2.1k点赞
金三银四，我为面试所准备的100道面试题以及答案，不看要遭老罪喽
112k阅读
 · 
2.3k点赞
ChatGPT保姆级教程，一分钟学会使用ChatGPT！
792k阅读
 · 
546点赞
2023高频前端面试题合集之网络篇
198k阅读
 · 
626点赞
字节三面：如何设计一个高并发系统
62k阅读
 · 
871点赞

友情链接：