多线程 Pipeline 的改进

项目地址：http://code.google.com/p/febird

 

 如果一个任务的执行分多个步骤，有些步骤慢，有些步骤快，如果在处理时间长的步骤上使用更多线程，那么因为队列的缓冲作用，在平均处理时间上，这些步骤就可以大致持平了，从而导致更大的吞吐量。

以前的 Pipeline 完全胜任这样的需求，但是，如果有一个这样的需求，考虑如下例子：

有若干篇文章（百万以上），需要对这些文章进行分析并索引，使用Pipeline，分成以下步骤：

步骤	平均耗费时间（每篇文章）	顺序	注释
一，读取文章	很快， 5毫秒	按文章ID顺序读取
二，分析文章	较慢， 30毫秒	处理顺序无所谓
三，索引文章	较快，8毫秒	按文章ID顺序建立索引	基于效率上的考虑，顺序建索引的速度快得多，实现上也更简单

为了平衡速度，在第二步可以使用多个线程，从而减少平均延迟时间，大略计算一下，需要4个线程，理论上整个流水线的平均延迟时间是8毫秒。

但是有个问题，在第二步，因为是多线程执行，会打乱第一步处理交给它的文档顺序，从而，第三步接收到的文档就不是按ID顺序的了。这是否就没办法了，就只能让第二步也使用单线程，而忍受30毫秒的平均延迟时间？

仔细分析一下，第三步收到的文章并不是完全乱序的，这种乱序只是局部的，可以在一个窗口内，对文章进行排序，然后按排过的顺序处理，这其实跟网络通讯中对数据包的排序是一个道理。只是，在这里，无法事先确定窗口大小。

另外还有一个问题，对过短的文章，垃圾文章，在第二步就丢弃了，不进入第三步的处理，从而导致第三步收到的文章ID不是连续的，这样，就不能使用文章ID作为排序依据，因为无法判断文章是被丢弃了，还是被阻塞在第二步。

所以，必须使用其它排序字段，处理起来也比较简单，只需要在第一步产生一个连续ID就可以了。在第三步的排序中，使用堆可以达到最好的性能。代码段如下：

// 省略....................

//

class FEBIRD_DLL_EXPORT PipelineQueueItem

{

public:

   unsigned long plserial;

   PipelineTask* task;

 

   PipelineQueueItem(unsigned long plserial, PipelineTask* task)

      : plserial(plserial)

      , task(task)

   {}

 

   PipelineQueueItem()

      : plserial(0)

      , task(0)

   {}

};

 

 

// 省略....................

//

 

 

namespace {

SAME_NAME_MEMBER_COMPARATOR_EX(Compare_plserial_greater, unsigned long,unsigned long, .plserial, std::greater<unsigned long>)

SAME_NAME_MEMBER_COMPARATOR_EX(Compare_plserial_less   , unsigned long,unsigned long, .plserial, std::less   <unsigned long>)

}

void PipelineStep::serial_step_do_mid(PipelineQueueItem& item)

{

   m_out_queue->push(item);

}

void PipelineStep::serial_step_do_last(PipelineQueueItem& item)

{

   if (item.task)

      m_owner->destroyTask(item.task);

}

 

 

 

 

 

void PipelineStep::run_serial_step(int threadno,

                            void (PipelineStep::*fdo)(PipelineQueueItem&)

                           )

{

   assert(ple_keep == m_pl_enum);

   assert(m_threads.size() == 1);

 

   std::vector<PipelineQueueItem> cache;

// unsigned nCached = 0;

   m_plserial = 1;

   while (isPrevRunning())

   {

      PipelineQueueItem item;

      if (!m_prev->m_out_queue->pop(item, m_owner->m_queue_timeout))

         continue;

#ifdef _DEBUG

      assert(item.plserial >= m_plserial);

#else

      if (item.plserial < m_plserial)

      {

         std::ostringstream oss;

         oss << "fatal at: " << __FILE__ << ":" << __LINE__

            << ", function=" << BOOST_CURRENT_FUNCTION

            << ", item.plserial=" << item.plserial

            << ", m_plserial=" << m_plserial

            ;

         throw std::runtime_error(oss.str());

      }

#endif

      if (item.plserial == m_plserial)

      {Loop:

         if (item.task)

            process(0, &item);

         (this->*fdo)(item);

         ++m_plserial;

         if (!cache.empty() && (item = cache[0]).plserial == m_plserial)

         {

            std::pop_heap(cache.begin(), cache.end(), Compare_plserial_greater());

            cache.pop_back();

            goto Loop;

         }

      }

      else // plserial out of order

      {

         cache.push_back(item);

         std::push_heap(cache.begin(), cache.end(), Compare_plserial_greater());

 

项目地址：http://code.google.com/p/febird