理解 ForkJoinPool 的重要性及其应用

本文将通过一个简单示例，解析为何需要 ForkJoinPool。随后，我们将探讨 ForkJoinPool 的基本信息及其使用方法，最后深入分析 ForkJoinPool 的工作原理。

创建背景

在线程池的选择上，我们通常倾向于使用 ThreadPoolExecutor 来提高任务处理的效率。大多数情况下，使用 ThreadPoolExecutor 时，各任务间相互独立。然而，在特定情境下，任务间存在依赖关系，比如经典的 Fibonacci 序列问题。

Fibonacci 序列的特点是 F(N) = F(N-1) + F(N-2)，这意味着每个数值的计算都依赖于后续数值的结果。这种情况下，ThreadPoolExecutor 并非最佳选择。尽管可以通过单线程递归算法来计算，但这不仅速度慢，而且无法充分利用多核 CPU 的优势。

ForkJoinPool 正是为了应对这种有依赖关系的并行计算任务而设计的。它适用于类似快速排序、二分查找、集合运算等需要处理父子任务依赖的并行计算问题。例如，使用 ForkJoinPool 实现 Fibonacci 序列的代码如下：

@Slf4j
public class ForkJoinDemo {
    // 1. 运行入口
    public static void main(String[] args) {
        int n = 20;

        // 为了追踪子线程名称，需要重写 ForkJoinWorkerThreadFactory 的方法
        final ForkJoinPool.ForkJoinWorkerThreadFactory factory = pool -> {
            final ForkJoinWorkerThread worker = ForkJoinPool.defaultForkJoinWorkerThreadFactory.newThread(pool);
            worker.setName("my-thread" + worker.getPoolIndex());
            return worker;
        };

        //创建分治任务线程池，可以追踪到线程名称
        ForkJoinPool forkJoinPool = new ForkJoinPool(4, factory, null, false);

        // 快速创建 ForkJoinPool 方法
        // ForkJoinPool forkJoinPool = new ForkJoinPool(4);

        //创建分治任务
        Fibonacci fibonacci = new Fibonacci(n);

        //调用 invoke 方法启动分治任务
        Integer result = forkJoinPool.invoke(fibonacci);
        log.info("Fibonacci {} 的结果是 {}", n, result);
    }
}

// 2. 定义拆分任务，写好拆分逻辑
@Slf4j
class Fibonacci extends RecursiveTask<Integer> {
    final int n;
    Fibonacci(int n) {
        this.n = n;
    }

    @Override
    public Integer compute() {
        //和递归类似，定义可计算的最小单元
        if (n <= 1) {
            return n;
        }
        // 想查看子线程名称输出的可以打开下面注释
        //log.info(Thread.currentThread().getName());

        Fibonacci f1 = new Fibonacci(n - 1);
        // 拆分成子任务
        f1.fork();
        Fibonacci f2 = new Fibonacci(n - 2);
        // f1.join 等待子任务执行结果
        return f2.compute() + f1.join();
    }
}

上述代码中，我们创建了一个继承自 RecursiveTask 抽象类的 Fibonacci 类，定义了任务的拆分逻辑，并通过调用 join() 方法等待子任务的完成。执行此程序后，可以得到如下结果：

17:29:10.336 [main] INFO tech.shuyi.javacodechip.forkjoinpool.ForkJoinDemo - Fibonacci 20 的结果是 6765

这里使用的 fork() 和 join() 方法是 ForkJoinPool 提供的关键接口，分别用于启动子任务和等待子任务的返回结果。

应用案例

除了处理有依赖关系的任务外，ForkJoinPool 还能应用于需要收集子任务结果的场景。例如，要计算 1 至 1 亿的总和，为了加速计算过程，可以采用分治策略，将 1 亿个数字划分为 1 万个子任务，每个子任务负责计算 1 万个数字的总和，从而利用多核 CPU 的并行计算能力减少计算时间。

虽然 ThreadPoolExecutor 也能通过 Future 接口获取任务执行结果，但 ForkJoinPool 在这方面提供了更简洁的解决方案。接下来，我们将分别使用 ThreadPoolExecutor 和 ForkJoinPool 来实现这一计算任务，以便比较两者之间的差异。

不论采取哪种方式，基本思路都是相同的：根据线程池中的线程数量 N，将 1 亿个数字均匀分割成 N 份，然后分配给线程池处理。每个子任务使用 Future 接口获取其计算结果，最后汇总所有子任务的结果。

首先，我们尝试使用 ThreadPoolExecutor 来实现这个任务。为此，我们定义了一个名为 Calculator 的接口，用于描述计算总和的行为，具体实现如下所示：

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);
}

接下来，我们定义了一个使用 ThreadPoolExecutor 线程池的类，其实现细节如下：

package tech.shuyi.javacodechip.forkjoinpool;

import java.util.ArrayList;
import java.util.List;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;

public class ExecutorServiceCalculator implements Calculator {

    private int parallism;
    private ExecutorService pool;

    public ExecutorServiceCalculator() {
        // CPU的核心数 默认就用cpu核心数了
        parallism = Runtime.getRuntime().availableProcessors(); 
        pool = Executors.newFixedThreadPool(parallism);
    }

    // 1. 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;
        }
    }

    // 2. 核心业务逻辑实现
    @Override
    public long sumUp(long[] numbers) {
        List<Future<Long>> results = new ArrayList<>();

        // 2.1 数字拆分
        // 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)));
        }

        // 2.2 阻塞等待结果
        // 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;
    }
}

如上所述，我们实现了一个名为 SumTask 的类，用于计算单个任务的总和。在 sumUp() 方法中，我们将 1 亿个数字分割成多个子任务，提交给线程池处理，并最终汇总这些子任务的结果。

运行上述代码，可以成功获得最终结果，如下所示：

耗时：10ms
结果为：50000005000000

现在，让我们使用 ForkJoinPool 来实现同样的功能。我们首先创建一个继承自 RecursiveTask 的 SumTask 类，并在 compute() 方法中定义任务的拆分逻辑和计算过程。最后，在 sumUp() 方法中调用 pool 方法执行计算，具体代码如下：

public class ForkJoinCalculator implements Calculator {

    private ForkJoinPool pool;

    // 1. 定义计算逻辑
    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;
    }
}

运行以上代码，得到的结果为：

耗时：860ms
结果为：50000005000000

通过对比 ThreadPoolExecutor 和 ForkJoinPool 的实现，可以看出两者都包含了任务拆分和结果汇总的逻辑。不过，ForkJoinPool 在实现上做了更多的封装，例如：

• 无需手动获取子任务的结果，可以直接使用 join() 方法。
• 任务拆分的逻辑被封装在 RecursiveTask 的子类中，而非暴露在外。

因此，即使在没有父子任务依赖的情况下，只要需要获取子任务的执行结果，也可以考虑使用 ForkJoinPool。这样做不仅简化了代码实现，还提高了封装的质量。

使用方法

利用 ForkJoinPool 进行并行计算，主要涉及以下两个步骤：

1. 定义继承自 RecursiveTask 或 RecursiveAction 的任务子类。
2. 初始化线程池及计算任务，将其提交给线程池处理，并获取处理结果。