前言
欢迎来到深入理解 RxJava2 系列第五篇。在上一篇文章中,我们在一个例子里用到了 parallel 操作符,本篇我们便是要介绍该操作符,并对比 RxJava 一些常见的并发手段,详述 parallel 的优越性。
陈旧的 parallel
出生
Parallel 这个操作符首次在 RxJava 0.13.4 版本添加进去,作为一个实验性质的 API,并在同一个版本为Scheduler
添加了degreeOfParallelism
方法为parallel
独用。
public abstract class Scheduler {
public int degreeOfParallelism() {
return Runtime.getRuntime().availableProcessors();
}
...
}
后来在 0.18.0 版本重构了一次Scheduler
,并顺带把degreeOfParallelism
简化成了parallelism
。
遗弃
然而这个操作符当时的实现,并不是那么恰当,和大家预期的用法不一致。类比 Java8 的 Stream API,开发者们期望的是在调用parallel
后,后续的操作符都会并发执行,然而事实并不是这样。
当时的parallel
实现的有点半成品的意味,因此在 1.0.0-RC2 时被移除了。详情见 Issue :https://github.com/ReactiveX/RxJava/issues/1673
与此同时Scheduler
的parallelism
便不再有用了,随即在 1.0.0-RC11 版本被移除。
GroupBy 与 FlatMap
在parallel
不在的日子里,我们如果想并发的做一些操作,通常都会利用flatMap
:
...
.flatMap(new Function
有些读者会疑问为什么要这样写,直接用observeOn
与subscribeOn
不行吗。显然不行,我们在《深入理解 RxJava2:Scheduler(2)》强调过,每个Worker
的任务都是串行的,因此如果不用flatMap
来生成多个Flowable
,就无法达到并行的效果。
事实上上面的这种写法吞吐量非常的差,因此我们还需要借助groupBy
和 flatMap
来配合:
Flowable.just("a", "b", "c", "d", "e")
.groupBy(new Function() {
int i = 0;
final int cpu = Runtime.getRuntime().availableProcessors();
@Override
public Integer apply(String s) throws Exception {
return (i++) % cpu;
}
})
.flatMap(new Function, Publisher>>() {
@Override
public Publisher> apply(GroupedFlowable g) throws Exception {
return g.observeOn(Schedulers.computation())
... // do some job
}
})
...
.subscribe();
通过groupBy
将数据分组,再将每组的数据通过flatMap
调度至一个线程来执行。groupBy
与flatMap
的组合,可以任意控制并发数,由于避免了很多无用的损耗,性能较单独的flatMap
大大提升。
然而上面的代码表述力不太好,而且很多不熟悉这些操作符的开发者写不出类似的代码,简单的说就是不太好用。
于是一个能无缝的嵌入Flowable
调用链的parallel
迫在眉睫。
重生
在 RxJava 2.0.5 版本,parallel
终于浴火重生。而这次重生后的parallel
不再寄托于Flowable
,而是自立门户,通过独立的ParallelFlowable
来实现。
public abstract class ParallelFlowable {
public abstract void subscribe(@NonNull Subscriber super T>[] subscribers);
public abstract int parallelism();
}
从类的定义可以看出,这个对象的订阅者是Subscriber
数组,且数组的长度必须严格等于parallelism()
返回值。由于subscribe
接口的变化,并发的操作符编写就简单很多。
ParallelFlowable
也类似Flowable
内置了一些操作符,虽然数量有限,但是非常实用,且可以与Flowable
无缝转换。
操作符
Parallel
在Flowable
中, 可以通过Parallel
操作符将Flowable
对象转变成ParallelFlowable
对象:
public final ParallelFlowable parallel(int parallelism) {
return ParallelFlowable.from(this, parallelism);
}
从一个Flowable
转变成ParallelFlowable
并没有线程相关的操作,从参数也可看出,并无Scheduler
的参与。数据流的转换也非常简单:
可见Parallel
仅仅是将原本应该分发至一个Subscriber
的数据流拆分开,“雨露均沾”了而已。
但是转变成ParallelFlowable
后,由于多个Subscriber
的存在,并发就非常的简单了,我们只需要提供一个线程操作符即可:
RunOn
RunOn
于ParallelFlowable
就像ObserveOn
于Flowable
:
public final ParallelFlowable runOn(@NonNull Scheduler scheduler, int prefetch) {
return new ParallelRunOn(this, scheduler, prefetch);
}
public final Flowable observeOn(Scheduler scheduler, boolean delayError, int bufferSize) {
return new FlowableObserveOn(this, scheduler, delayError, bufferSize);
}
这两者参数几乎一致,唯一不同的是ObserveOn
额外提供了一个delayError
的参数。
他们的效果是非常相似的,都是对下游的onNext / onComplete / onError
调度线程。不过RunOn
对于下游的每个Subscriber
都会独立创建一个Worker
来调度:
因此多个Subscriber
是可能并发的,这取决于选择的Scheduler
。我们在前文中强调过,每个Worker
创建的任务仅与该Worker
相关联,但是这并不意味着每个Worker
对应一个线程,不同的Scheduler
的实现创建的Worker
效果大相径庭,更多细节可查看《深入理解 RxJava2:Scheduler(2)》。
Sequential
顾名思义,该操作符就是重新把ParallelFlowable
转回Flowable
,但是数据是循环发射的,不保证遵循数据原始的发射顺序:
其他
以上三个操作符是最核心也是最常用的,除此之外,ParallelFlowable
还有诸多操作符,效果与Flowable
中类似,部分可根据实际情况与runOn
结合使用,以达到最佳效果。
- Map
- Filter
- FlatMap
- doOnXXX / doAfterXXX
- reduce
- sorted
- ...
对比
GroupBy 与 Parallel
上面我们举例了通过groupBy
与flatMap
组合实现的并发效果。事实上,除了从感官上更加好用外,parallel
的并发效果也是最好的。
Benchmark
在 GitHub RxJava 的仓库中,其实已经内置了基于 OpenJDK JMH 的 Benchmark 的代码,均在 src/jmh 目录中,对 JMH 不熟悉的同学可以自行去了解。
我们这里对并发的性能做一次测试,使用仓库中的ParallelPerf
类即可,笔者机器的配置是 3 GHz Intel Core i7 4 核 + 16 GB 1600 MHz DDR3,效果如下:
我这里解释一下参数的含义:
- Count:数据源数目
- Compute: 可以认为是 CPU 耗时的单位,随着数值增大而接近线性增长
- Parallelism:并发数目,这里可以近似地认为是线程数目
另外图表中表头带 error 的字样是表示 99.9% 的置信区间,如
第一行的 GroupBy 置信区间为:[1539.814 - 41.88, 1539.814 + 41.88]。
根据图中的结果,可见在Compute
较小的情况下,parallel
比groupBy
是有着绝对的优势的,说明parallel
的性能损耗较小。
而Compute
较大时,操作符内部的性能损耗相对全局的影响较小,因此这两者性能则差不多。
SchedulerMultiWorkerSupport
不仅如此,runOn
操作符在创建Worker
时,有特别的优化:
public interface SchedulerMultiWorkerSupport {
void createWorkers(int number, @NonNull WorkerCallback callback);
interface WorkerCallback {
void onWorker(int index, @NonNull Scheduler.Worker worker);
}
}
Scheduler
通过实现这个接口,能够针对一次创建多个Worker
的情况做优化,目前仅ComputationScheduler
支持。具体的源码不列出来了,优化后实际的效果就是尽可能的平均了线程和Worker
的负载。
换言之,如果我们使用groupBy
做并发时,对应的分组后的Flowable
可能由于其他的操作符也在使用ComputationScheduler
导致分下去的Worker
对应的线程可能有重合和遗漏。
举个例子,请看下面的代码:
Flowable.just(1, 2)
.groupBy(new Function() {
@Override
public Integer apply(Integer v) throws Exception {
return v % 2;
}
})
.subscribeOn(Schedulers.io())
.flatMap(new Function, Publisher>() {
@Override
public Publisher apply(GroupedFlowable g) throws Exception {
Publisher it = g.observeOn(Schedulers.computation()).doOnNext(i -> {
System.out.println(Thread.currentThread().getName());
});
Thread.sleep(1000);
return it;
}
})
.subscribe();
输出:
RxComputationThreadPool-1
RxComputationThreadPool-2
以上的结果是符合我们期望的,数据根据模 2 的剩余类划分了两组,每组的数据的分发在不同的线程中,但是我们在上面的代码后面追加以下的代码执行:
...
Thread.sleep(1500);
int core = Runtime.getRuntime().availableProcessors();
for (int i = 0; i < core - 1; i++) {
scheduler.createWorker();
}
输出:
RxComputationThreadPool-1
RxComputationThreadPool-1
为什么发生这样的情况呢,首先我们在每个数据源observeOn
后,休眠一秒,随后这个Flowable
会被立即订阅,触发createWorker
,我们下面的代码休眠了 1.5 秒,即处于第一个Flowable
被订阅后触发了createWorker
,第二个Flowable
尚未被订阅时,我们又分配了core - 1
个的Worker
,因此groupBy
分配的下个Worker
的线程又和第一个分配的相同了。注意这里我们说的是依赖的线程相同,但是每个Worker
对象都是独立的,具体原因在上面链接的系列第二篇中详细讲述过。
而在parallel
中Worker
是连续分配的,因此不受这种情况的干扰,有兴趣的读者们可以自己尝试一番。
结语
Parallel 在改版后,确实是 RxJava2 中并发的不二选择。配合内置的操作符能够让大家收放自如,不再受并发的困扰。