并发编程是一项非常重要的技术，无论在面试，还是工作中出现的频率非常高。
并发编程说白了就是多线程编程，但多线程一定比单线程效率更高？
答：不一定，要看具体业务场景。
毕竟如果使用了多线程，那么线程之间的竞争和抢占cpu资源，线程的上下文切换，也是相对来说比较耗时的操作。

下面这几个问题在面试中，你必定遇到过：

  1. 你在哪来业务场景中使用过多线程？
  2. 怎么用的？
  3. 踩过哪些坑？

今天聊聊我之前在项目中用并发编程的12种业务场景，给有需要的朋友一个参考。
并发编程的12种业务场景 - 图1

1. 简单定时任务

各位亲爱的朋友，你没看错，Thread类真的能做定时任务。如果你看过一些定时任务框架的源码，你最后会发现，它们的底层也会使用Thread类。
实现这种定时任务的具体代码如下：

  1. public static void init() {
  2.     new Thread(() -> {
  3.         while (true) {
  4.             try {
  5.                 System.out.println("下载文件");
  6.                 Thread.sleep(1000 * 60 * 5);
  7.             } catch (Exception e) {
  8.                 log.error(e);
  9.             }
  10.         }
  11.     }).start();
  12. }

使用Thread类可以做最简单的定时任务，在run方法中有个while的死循环（当然还有其他方式），执行我们自己的任务。有个需要特别注意的地方是，需要用try…catch捕获异常，否则如果出现异常，就直接退出循环，下次将无法继续执行了。
但这种方式做的定时任务，只能周期性执行，不能支持定时在某个时间点执行。
特别提醒一下，该线程建议定义成守护线程，可以通过setDaemon方法设置，让它在后台默默执行就好。
使用场景：比如项目中有时需要每隔5分钟去下载某个文件，或者每隔10分钟去读取模板文件生成静态html页面等等，一些简单的周期性任务场景。
使用Thread类做定时任务的优缺点：

  • 优点：这种定时任务非常简单，学习成本低，容易入手，对于那些简单的周期性任务，是个不错的选择。

  • 缺点：不支持指定某个时间点执行任务，不支持延迟执行等操作，功能过于单一，无法应对一些较为复杂的场景。

    2.监听器

    有时候，我们需要写个监听器，去监听某些数据的变化。
    比如：我们在使用canal的时候，需要监听binlog的变化，能够及时把数据库中的数据，同步到另外一个业务数据库中。
    并发编程的12种业务场景 - 图2如果直接写一个监听器去监听数据就太没意思了，我们想实现这样一个功能：在配置中心有个开关，配置监听器是否开启，如果开启了使用单线程异步执行。
    主要代码如下：

    1. @Service
    2. public CanalService {
    3.   private volatile boolean running = false;
    4.   private Thread thread;
    6.   @Autowired
    7.   private CanalConnector canalConnector;
    9.   public void handle() {
    10.       //连接canal
    11.       while(running) {
    12.          //业务处理
    13.       }
    14.   }
    16.   public void start() {
    17.      thread = new Thread(this::handle, "name");
    18.      running = true;
    19.      thread.start();
    20.   }
    22.   public void stop() {
    23.      if(!running) {
    24.         return;
    25.      }
    26.      running = false;
    27.   }
    28. }

在start方法中开启了一个线程，在该线程中异步执行handle方法的具体任务。然后通过调用stop方法，可以停止该线程。
其中，使用volatile关键字控制的running变量作为开关，它可以控制线程中的状态。
接下来，有个比较关键的点是：如何通过配置中心的配置，控制这个开关呢？
以apollo配置为例，我们在配置中心的后台，修改配置之后，自动获取最新配置的核心代码如下：

  1. public class CanalConfig {
  2.     @Autowired
  3.     private CanalService canalService;
  5.     @ApolloConfigChangeListener
  6.     public void change(ConfigChangeEvent event) {
  7.         String value = event.getChange("test.canal.enable").getNewValue();
  8.         if(BooleanUtils.toBoolean(value)) {
  9.             canalService.start();
  10.         } else {
  11.             canalService.stop();
  12.         }
  13.     }
  14. }

通过apollo的ApolloConfigChangeListener注解，可以监听配置参数的变化。
如果test.canal.enable开关配置的true，则调用canalService类的start方法开启canal数据同步功能。如果开关配置的false，则调用canalService类的stop方法，自动停止canal数据同步功能。

3.收集日志

在某些高并发的场景中，我们需要收集部分用户的日志（比如：用户登录的日志），写到数据库中，以便于做分析。
但由于项目中，还没有引入消息中间件，比如：kafka、rocketmq等。
如果直接将日志同步写入数据库，可能会影响接口性能。
所以，大家很自然想到了异步处理。
实现这个需求最简单的做法是，开启一个线程，异步写入数据到数据库即可。
这样做，可以是可以。
但如果用户登录操作的耗时，比异步写入数据库的时间要少得多。这样导致的结果是：生产日志的速度，比消费日志的速度要快得多，最终的性能瓶颈在消费端。
其实，还有更优雅的处理方式，虽说没有使用消息中间件，但借用了它的思想。
这套记录登录日志的功能，分为：日志生产端、日志存储端和日志消费端。
如下图所示：并发编程的12种业务场景 - 图3
先定义了一个阻塞队列。

  1. @Component
  2. public class LoginLogQueue {
  3.     private static final int QUEUE_MAX_SIZE    = 1000;
  5.     private BlockingQueueblockingQueue queue = new LinkedBlockingQueue<>(QUEUE_MAX_SIZE);
  7.     //生成消息
  8.     public boolean push(LoginLog loginLog) {
  9.         return this.queue.add(loginLog);
  10.     } 
  12.     //消费消息
  13.     public LoginLog poll() {
  14.         LoginLog loginLog = null;
  15.         try {
  16.             loginLog = this.queue.take();
  17.         } catch (InterruptedException e) {
  18.             e.printStackTrace();
  19.         }
  20.         return result;
  21.     }
  22. }

然后定义了一个日志的生产者。

  1. @Service
  2. public class LoginSerivce {
  4.     @Autowired
  5.     private LoginLogQueue loginLogQueue;
  7.     public int login(UserInfo userInfo) {
  8.         //业务处理
  9.         LoginLog loginLog = convert(userInfo);
  10.         loginLogQueue.push(loginLog);
  11.     }  
  12. }

接下来，定义了日志的消费者。

  1. @Service
  2. public class LoginInfoConsumer {
  3.     @Autowired
  4.     private LoginLogQueue queue;
  6.     @PostConstruct
  7.     public voit init {
  8.        new Thread(() -> {
  9.           while (true) {
  10.               LoginLog loginLog = queue.take();
  11.               //写入数据库
  12.           }
  13.         }).start();
  14.     }
  15. }

当然，这个例子中使用单线程接收登录日志，为了提升性能，也可以使用线程池来处理业务逻辑（比如：写入数据库）等。

4.excel导入

我们可能会经常收到运营同学提过来的excel数据导入需求，比如：将某一大类下的所有子类一次性导入系统，或者导入一批新的供应商数据等等。
我们以导入供应商数据为例，它所涉及的业务流程很长，比如：

  1. 调用天眼查接口校验企业名称和统一社会信用代码。
  2. 写入供应商基本表
  3. 写入组织表
  4. 给供应商自动创建一个用户
  5. 给该用户分配权限
  6. 自定义域名
  7. 发站内通知

等等。
如果在程序中，解析完excel，读取了所有数据之后。用单线程一条条处理业务逻辑，可能耗时会非常长。
为了提升excel数据导入效率，非常有必要使用多线程来处理。
当然在java中实现多线程的手段有很多种，下面重点聊聊java8中最简单的实现方式：parallelStream。
伪代码如下：

  1. supplierList.parallelStream().forEach(x -> importSupplier(x));

parallelStream是一个并行执行的流，它默认通过ForkJoinPool实现的，能提高你的多线程任务的速度。
ForkJoinPool处理的过程会分而治之，它的核心思想是：将一个大任务切分成多个小任务。每个小任务都能单独执行，最后它会把所用任务的执行结果进行汇总。
下面用一张图简单介绍一下ForkJoinPool的原理：并发编程的12种业务场景 - 图4
当然除了excel导入之外，还有类似的读取文本文件，也可以用类似的方法处理。
温馨的提醒一下，如果一次性导入的数据非常多，用多线程处理，可能会使系统的cpu使用率飙升，需要特别关注。

5.查询接口

很多时候，我们需要在某个查询接口中，调用其他服务的接口，组合数据之后，一起返回。
比如有这样的业务场景：
在用户信息查询接口中需要返回：用户名称、性别、等级、头像、积分、成长值等信息。
而用户名称、性别、等级、头像在用户服务中，积分在积分服务中，成长值在成长值服务中。为了汇总这些数据统一返回，需要另外提供一个对外接口服务。
于是，用户信息查询接口需要调用用户查询接口、积分查询接口 和 成长值查询接口，然后汇总数据统一返回。
调用过程如下图所示：并发编程的12种业务场景 - 图5
调用远程接口总耗时 530ms = 200ms + 150ms + 180ms
显然这种串行调用远程接口性能是非常不好的，调用远程接口总的耗时为所有的远程接口耗时之和。
那么如何优化远程接口性能呢？
既然串行调用多个远程接口性能很差，为什么不改成并行呢？
如下图所示：并发编程的12种业务场景 - 图6
调用远程接口总耗时 200ms = 200ms（即耗时最长的那次远程接口调用）
在java8之前可以通过实现Callable接口，获取线程返回结果。
java8以后通过CompleteFuture类实现该功能。我们这里以CompleteFuture为例：

  1. public UserInfo getUserInfo(Long id) throws InterruptedException, ExecutionException {
  2.     final UserInfo userInfo = new UserInfo();
  3.     CompletableFuture userFuture = CompletableFuture.supplyAsync(() -> {
  4.         getRemoteUserAndFill(id, userInfo);
  5.         return Boolean.TRUE;
  6.     }, executor);
  8.     CompletableFuture bonusFuture = CompletableFuture.supplyAsync(() -> {
  9.         getRemoteBonusAndFill(id, userInfo);
  10.         return Boolean.TRUE;
  11.     }, executor);
  13.     CompletableFuture growthFuture = CompletableFuture.supplyAsync(() -> {
  14.         getRemoteGrowthAndFill(id, userInfo);
  15.         return Boolean.TRUE;
  16.     }, executor);
  17.     CompletableFuture.allOf(userFuture, bonusFuture, growthFuture).join();
  19.     userFuture.get();
  20.     bonusFuture.get();
  21.     growthFuture.get();
  22.     return userInfo;
  23. }

温馨提醒一下，这两种方式别忘了使用线程池。示例中我用到了executor，表示自定义的线程池，为了防止高并发场景下，出现线程过多的问题。

6.获取用户上下文

不知道你在项目开发时，有没有遇到过这样的需求：用户登录之后，在所有的请求接口中，通过某个公共方法，就能获取到当前登录用户的信息？
获取的用户上下文，我们以CurrentUser为例。
CurrentUser内部包含了一个ThreadLocal对象，它负责保存当前线程的用户上下文信息。当然为了保证在线程池中，也能从用户上下文中获取到正确的用户信息，这里用了阿里的TransmittableThreadLocal。伪代码如下：

  1. @Data
  2. public class CurrentUser {
  3.     private static final TransmittableThreadLocal<CurrentUser> THREA_LOCAL = new TransmittableThreadLocal<>();
  5.     private String id;
  6.     private String userName;
  7.     private String password;
  8.     private String phone;
  9.     ...
  11.     public statis void set(CurrentUser user) {
  12.       THREA_LOCAL.set(user);
  13.     }
  15.     public static void getCurrent() {
  16.       return THREA_LOCAL.get();
  17.     }
  18. }

这里为什么用了阿里的TransmittableThreadLocal，而不是普通的ThreadLocal呢？在线程池中，由于线程会被多次复用，导致从普通的ThreadLocal中无法获取正确的用户信息。父线程中的参数，没法传递给子线程，而TransmittableThreadLocal很好解决了这个问题。
然后在项目中定义一个全局的spring mvc拦截器，专门设置用户上下文到ThreadLocal中。伪代码如下：

  1. public class UserInterceptor extends HandlerInterceptorAdapter {
  3.    @Override  
  4.    public boolean preHandle(HttpServletRequest request, HttpServletResponse response, Object handler) throws Exception {
  5.       CurrentUser user = getUser(request);
  6.       if(Objects.nonNull(user)) {
  7.          CurrentUser.set(user);
  8.       }
  9.    } 
  10. }

用户在请求我们接口时，会先触发该拦截器，它会根据用户cookie中的token，调用调用接口获取redis中的用户信息。如果能获取到，说明用户已经登录，则把用户信息设置到CurrentUser类的ThreadLocal中。
接下来，在api服务的下层，即business层的方法中，就能轻松通过CurrentUser.getCurrent();方法获取到想要的用户上下文信息了。并发编程的12种业务场景 - 图7
这套用户体系的想法是很good的，但深入使用后，发现了一个小插曲：
api服务和mq消费者服务都引用了business层，business层中的方法两个服务都能直接调用。
我们都知道在api服务中用户是需要登录的，而mq消费者服务则不需要登录。并发编程的12种业务场景 - 图8
如果business中的某个方法刚开始是给api开发的，在方法深处使用了CurrentUser.getCurrent();获取用户上下文。但后来，某位新来的帅哥在mq消费者中也调用了那个方法，并未发觉这个小机关，就会中招，出现找不到用户上下文的问题。并发编程的12种业务场景 - 图9
所以我当时的第一个想法是：代码没做兼容处理，因为之前这类问题偶尔会发生一次。
想要解决这个问题，其实也很简单。只需先判断一下能否从CurrentUser中获取用户信息，如果不能，则取配置的系统用户信息。伪代码如下：

  1. @Autowired
  2. private BusinessConfig businessConfig;
  4. CurrentUser user = CurrentUser.getCurrent();
  5. if(Objects.nonNull(user)) {
  6.    entity.setUserId(user.getUserId());
  7.    entity.setUserName(user.getUserName());
  8. } else {
  9.    entity.setUserId(businessConfig.getDefaultUserId());
  10.    entity.setUserName(businessConfig.getDefaultUserName());
  11. }

这种简单无公害的代码，如果只是在一两个地方加还OK。
此外，众所周知，SimpleDateFormat在java8以前，是用来处理时间的工具类，它是非线程安全的。也就是说，用该方法解析日期会有线程安全问题。
为了避免线程安全问题的出现，我们可以把SimpleDateFormat对象定义成局部变量。但如果你一定要把它定义成静态变量，可以使用ThreadLocal保存日期，也能解决线程安全问题。

8. 传递参数

之前见过有些同事写代码时，一个非常有趣的用法，即：使用MDC传递参数。
MDC是什么？
MDC是org.slf4j包下的一个类，它的全称是Mapped Diagnostic Context，我们可以认为它是一个线程安全的存放诊断日志的容器。
MDC的底层是用了ThreadLocal来保存数据的。
例如现在有这样一种场景：我们使用RestTemplate调用远程接口时，有时需要在header中传递信息，比如：traceId，source等，便于在查询日志时能够串联一次完整的请求链路，快速定位问题。
这种业务场景就能通过ClientHttpRequestInterceptor接口实现，具体做法如下：
第一步，定义一个LogFilter拦截所有接口请求，在MDC中设置traceId：

  1. public class LogFilter implements Filter {
  2.     @Override
  3.     public void init(FilterConfig filterConfig) throws ServletException {
  4.     }
  6.     @Override
  7.     public void doFilter(ServletRequest request, ServletResponse response, FilterChain chain) throws IOException, ServletException {
  8.         MdcUtil.add(UUID.randomUUID().toString());
  9.         System.out.println("记录请求日志");
  10.         chain.doFilter(request, response);
  11.         System.out.println("记录响应日志");
  12.     }
  14.     @Override
  15.     public void destroy() {
  16.     }
  17. }

第二步，实现ClientHttpRequestInterceptor接口，MDC中获取当前请求的traceId，然后设置到header中：

  1. public class RestTemplateInterceptor implements ClientHttpRequestInterceptor {
  3.     @Override
  4.     public ClientHttpResponse intercept(HttpRequest request, byte[] body, ClientHttpRequestExecution execution) throws IOException {
  5.         request.getHeaders().set("traceId", MdcUtil.get());
  6.         return execution.execute(request, body);
  7.     }
  8. }

第三步，定义配置类，配置上面定义的RestTemplateInterceptor类：

  1. @Configuration
  2. public class RestTemplateConfiguration {
  4.     @Bean
  5.     public RestTemplate restTemplate() {
  6.         RestTemplate restTemplate = new RestTemplate();
  7.         restTemplate.setInterceptors(Collections.singletonList(restTemplateInterceptor()));
  8.         return restTemplate;
  9.     }
  11.     @Bean
  12.     public RestTemplateInterceptor restTemplateInterceptor() {
  13.         return new RestTemplateInterceptor();
  14.     }
  15. }

其中MdcUtil其实是利用MDC工具在ThreadLocal中存储和获取traceId

  1. public class MdcUtil {
  3.     private static final String TRACE_ID = "TRACE_ID";
  5.     public static String get() {
  6.         return MDC.get(TRACE_ID);
  7.     }
  9.     public static void add(String value) {
  10.         MDC.put(TRACE_ID, value);
  11.     }
  12. }

当然，这个例子中没有演示MdcUtil类的add方法具体调的地方，我们可以在filter中执行接口方法之前，生成traceId，调用MdcUtil类的add方法添加到MDC中，然后在同一个请求的其他地方就能通过MdcUtil类的get方法获取到该traceId。
能使用MDC保存traceId等参数的根本原因是，用户请求到应用服务器，Tomcat会从线程池中分配一个线程去处理该请求。
那么该请求的整个过程中，保存到MDC的ThreadLocal中的参数，也是该线程独享的，所以不会有线程安全问题。

9. 模拟高并发

有时候我们写的接口，在低并发的场景下，一点问题都没有。
但如果一旦出现高并发调用，该接口可能会出现一些意想不到的问题。
为了防止类似的事情发生，一般在项目上线前，我们非常有必要对接口做一下压力测试。
当然，现在已经有比较成熟的压力测试工具，比如：Jmeter、LoadRunner等。
如果你觉得下载压测工具比较麻烦，也可以手写一个简单的模拟并发操作的工具，用CountDownLatch就能实现，例如：

  1. public static void concurrenceTest() {
  2.     /**
  3.      * 模拟高并发情况代码
  4.      */
  5.     final AtomicInteger atomicInteger = new AtomicInteger(0);
  6.     final CountDownLatch countDownLatch = new CountDownLatch(1000); // 相当于计数器，当所有都准备好了，再一起执行，模仿多并发，保证并发量
  7.     final CountDownLatch countDownLatch2 = new CountDownLatch(1000); // 保证所有线程执行完了再打印atomicInteger的值
  8.     ExecutorService executorService = Executors.newFixedThreadPool(10);
  9.     try {
  10.         for (int i = 0; i < 1000; i++) {
  11.             executorService.submit(new Runnable() {
  12.                 @Override
  13.                 public void run() {
  14.                     try {
  15.                         countDownLatch.await(); //一直阻塞当前线程，直到计时器的值为0,保证同时并发
  16.                     } catch (InterruptedException e) {
  17.                         log.error(e.getMessage(),e);
  18.                     }
  19.                     //每个线程增加1000次，每次加1
  20.                     for (int j = 0; j < 1000; j++) {
  21.                         atomicInteger.incrementAndGet();
  22.                     }
  23.                     countDownLatch2.countDown();
  24.                 }
  25.             });
  26.             countDownLatch.countDown();
  27.         }
  29.         countDownLatch2.await();// 保证所有线程执行完
  30.         executorService.shutdown();
  31.     } catch (Exception e){
  32.         log.error(e.getMessage(),e);
  33.     }
  34. }

10. 处理mq消息

在高并发的场景中，消息积压问题，可以说如影随形，真的没办法从根本上解决。表面上看，已经解决了，但后面不知道什么时候，就会冒出一次，比如这次：
有天下午，产品过来说：有几个商户投诉过来了，他们说菜品有延迟，快查一下原因。
这次问题出现得有点奇怪。
为什么这么说？
首先这个时间点就有点奇怪，平常出问题，不都是中午或者晚上用餐高峰期吗？怎么这次问题出现在下午？
根据以往积累的经验，我直接看了kafka的topic的数据，果然上面消息有积压，但这次每个partition都积压了十几万的消息没有消费，比以往加压的消息数量增加了几百倍。这次消息积压得极不寻常。
我赶紧查服务监控看看消费者挂了没，还好没挂。又查服务日志没有发现异常。这时我有点迷茫，碰运气问了问订单组下午发生了什么事情没？他们说下午有个促销活动，跑了一个JOB批量更新过有些商户的订单信息。
这时，我一下子如梦初醒，是他们在JOB中批量发消息导致的问题。怎么没有通知我们呢？实在太坑了。
虽说知道问题的原因了，倒是眼前积压的这十几万的消息该如何处理呢？
此时，如果直接调大partition数量是不行的，历史消息已经存储到4个固定的partition，只有新增的消息才会到新的partition。我们重点需要处理的是已有的partition。
直接加服务节点也不行，因为kafka允许同组的多个partition被一个consumer消费，但不允许一个partition被同组的多个consumer消费，可能会造成资源浪费。
看来只有用多线程处理了。
为了紧急解决问题，我改成了用线程池处理消息，核心线程和最大线程数都配置成了50。
大致用法如下：

  1. 先定义一个线程池：

    1. @Configuration
    2. public class ThreadPoolConfig {
    4.  @Value("${thread.pool.corePoolSize:5}")
    5.  private int corePoolSize;
    7.  @Value("${thread.pool.maxPoolSize:10}")
    8.  private int maxPoolSize;
    10.  @Value("${thread.pool.queueCapacity:200}")
    11.  private int queueCapacity;
    13.  @Value("${thread.pool.keepAliveSeconds:30}")
    14.  private int keepAliveSeconds;
    16.  @Value("${thread.pool.threadNamePrefix:ASYNC_}")
    17.  private String threadNamePrefix;
    19.  @Bean("messageExecutor")
    20.  public Executor messageExecutor() {
    21.      ThreadPoolTaskExecutor executor = new ThreadPoolTaskExecutor();
    22.      executor.setCorePoolSize(corePoolSize);
    23.      executor.setMaxPoolSize(maxPoolSize);
    24.      executor.setQueueCapacity(queueCapacity);
    25.      executor.setKeepAliveSeconds(keepAliveSeconds);
    26.      executor.setThreadNamePrefix(threadNamePrefix);
    27.      executor.setRejectedExecutionHandler(new ThreadPoolExecutor.CallerRunsPolicy());
    28.      executor.initialize();
    29.      return executor;
    30.  }
    31. }

  1. 再定义一个消息的consumer：

    1. @Service
    2. public class MyConsumerService {
    3.  @Autowired
    4.  private Executor messageExecutor;
    6.  @KafkaListener(id="test",topics={"topic-test"})
    7.  public void listen(String message){
    8.      System.out.println("收到消息：" + message);
    9.      messageExecutor.submit(new MyWork(message);
    10.  }
    11. }

  1. 在定义的Runable实现类中处理业务逻辑：

    1. public class MyWork implements Runnable {
    2.  private String message;
    4.  public MyWork(String message) {
    5.     this.message = message;
    6.  }
    8.  @Override
    9.  public void run() {
    10.      System.out.println(message);
    11.  }
    12. }

果然，调整之后消息积压数量确实下降的非常快，大约半小时后，积压的消息就非常顺利的处理完了。
但此时有个更严重的问题出现：我收到了报警邮件，有两个订单系统的节点down机了。。。
更详细内容，请看看我的另一篇文章《我用kafka两年踩过的一些非比寻常的坑》

11. 统计数量

在多线程的场景中，有时候需要统计数量，比如：用多线程导入供应商数据时，统计导入成功的供应商数有多少。
如果这时候用count++统计次数，最终的结果可能会不准。因为count++并非原子操作，如果多个线程同时执行该操作，则统计的次数，可能会出现异常。
为了解决这个问题，就需要使用concurent的atomic包下面的类，比如：AtomicInteger、AtomicLong等。

  1. @Servcie
  2. public class ImportSupplierService {
  3.   private static AtomicInteger count = new AtomicInteger(0);
  5.   public int importSupplier(List<SupplierInfo> supplierList) {
  6.        if(CollectionUtils.isEmpty(supplierList)) {
  7.            return 0;
  8.        }
  10.        supplierList.parallelStream().forEach(x -> {
  11.            try {
  12.              importSupplier(x);
  13.              count.addAndGet(1);
  14.            } catch(Exception e) {
  15.               log.error(e.getMessage(),e);
  16.            }
  17.        );
  19.       return count.get();
  20.   }    
  21. }

AtomicInteger的底层说白了使用自旋锁+CAS。

  1. public final int incrementAndGet() {
  2.     for (;;) {
  3.         int current = get();
  4.         int next = current + 1;
  5.         if (compareAndSet(current, next))
  6.             return next;
  7.     }
  8. }

自旋锁说白了就是一个死循环。
而CAS是比较和交换的意思。
它的实现逻辑是：将内存位置处的旧值与预期值进行比较，若相等，则将内存位置处的值替换为新值。若不相等，则不做任何操作。

12. 延迟定时任务

我们经常有延迟处理数据的需求，比如：如果用户下单后，超过30分钟还未完成支付，则系统自动将该订单取消。
这里需求就可以使用延迟定时任务实现。
ScheduledExecutorService是JDK1.5+版本引进的定时任务，该类位于java.util.concurrent并发包下。
ScheduledExecutorService是基于多线程的，设计的初衷是为了解决Timer单线程执行，多个任务之间会互相影响的问题。
它主要包含4个方法：

  • schedule(Runnable command,long delay,TimeUnit unit)，带延迟时间的调度，只执行一次，调度之后可通过Future.get()阻塞直至任务执行完毕。
  • schedule(Callablecallable,long delay,TimeUnit unit)，带延迟时间的调度，只执行一次，调度之后可通过Future.get()阻塞直至任务执行完毕，并且可以获取执行结果。
  • scheduleAtFixedRate，表示以固定频率执行的任务，如果当前任务耗时较多，超过定时周期period，则当前任务结束后会立即执行。
  • scheduleWithFixedDelay，表示以固定延时执行任务，延时是相对当前任务结束为起点计算开始时间。

实现这种定时任务的具体代码如下：

  1. public class ScheduleExecutorTest {
  3.     public static void main(String[] args) {
  4.         ScheduledExecutorService scheduledExecutorService = Executors.newScheduledThreadPool(5);
  5.         scheduledExecutorService.scheduleAtFixedRate(() -> {
  6.             System.out.println("doSomething");
  7.         },1000,1000, TimeUnit.MILLISECONDS);
  8.     }
  9. }

调用ScheduledExecutorService类的scheduleAtFixedRate方法实现周期性任务，每隔1秒钟执行一次，每次延迟1秒再执行。
这种定时任务是阿里巴巴开发者规范中用来替代Timer类的方案，对于多线程执行周期性任务，是个不错的选择。
使用ScheduledExecutorService类做延迟定时任务的优缺点：

  • 优点：基于多线程的定时任务，多个任务之间不会相关影响，支持周期性的执行任务，并且带延迟功能。
  • 缺点：不支持一些较复杂的定时规则。

当然，你也可以使用分布式定时任务，比如：xxl-job或者elastic-job等等。
其实，在实际工作中我使用多线程的场景远远不只这12种，在这里只是抛砖引玉，介绍了一些我认为比较常见的业务场景。