当前位置:首页 > 文章列表 > 文章 > java教程 > Java线程池与Executor使用指南

Java线程池与Executor使用指南

2026-01-21 09:06:40 0浏览 收藏

亲爱的编程学习爱好者,如果你点开了这篇文章,说明你对《Java线程池与Executor框架详解》很感兴趣。本篇文章就来给大家详细解析一下,主要介绍一下,希望所有认真读完的童鞋们,都有实质性的提高。

直接new Thread()不适合高并发场景,因频繁创建销毁线程导致栈内存分配、GC压力、调度竞争及OS线程耗尽;Executor框架通过复用线程、统一管理生命周期、解耦任务提交与执行来优化。

Java并发编程中的Executor框架与线程池

为什么直接 new Thread() 不适合高并发场景

频繁创建和销毁线程会带来显著的系统开销:JVM 需要分配栈内存、触发 GC、参与线程调度竞争。在 QPS 较高的服务中,new Thread(runnable).start() 很快会耗尽 OS 线程资源(Linux 默认每进程约 1024 个线程),抛出 java.lang.OutOfMemoryError: unable to create new native thread。

Executor 框架通过复用线程、统一管理生命周期、解耦任务提交与执行,把“怎么跑”交给线程池,“跑什么”由业务代码决定。

  • 线程池不是万能的——它只缓解线程创建成本,不解决任务内部阻塞、死锁或共享状态竞争
  • Executors 工具类创建的线程池有陷阱:比如 Executors.newFixedThreadPool(n) 底层用的是无界 LinkedBlockingQueue,任务堆积会导致 OOM
  • 生产环境推荐显式构造 ThreadPoolExecutor,明确控制核心线程数、队列容量、拒绝策略

ThreadPoolExecutor 的几个关键参数怎么设才合理

核心不是背参数名,而是理解它们如何协同影响吞吐与稳定性。以 Web 请求处理为例:

  • corePoolSize:常驻线程数,建议设为 CPU 核心数 × (1 + 平均等待时间 / 平均执行时间),IO 密集型可适当放大
  • maximumPoolSize:最大线程数,避免设得过大(如 1000+),否则上下文切换开销反超收益;一般不超过 corePoolSize × 2
  • workQueue:优先选有界队列,如 ArrayBlockingQueue(100);避免 SynchronousQueue 在突发流量下直接触发拒绝策略
  • handler:别用默认的 AbortPolicy(直接抛 RejectedExecutionException);更稳妥的是 CallerRunsPolicy(让调用线程自己执行任务,自然降速)或自定义记录+告警
ThreadPoolExecutor executor = new ThreadPoolExecutor(
    4,           // corePoolSize
    8,           // maximumPoolSize
    60L,         // keepAliveTime
    TimeUnit.SECONDS,
    new ArrayBlockingQueue(100),
    new ThreadPoolExecutor.CallerRunsPolicy()
);

submit() 和 execute() 的区别不只是返回值

execute(Runnable) 是 Executor 接口方法,只负责提交,不关心结果;submit() 是 ExecutorService 扩展方法,支持获取执行结果和异常。

  • 用 submit(Runnable) 时,返回的 Future 调用 get() 只会返回 null,但能捕获运行时异常(比如空指针)
  • 用 submit(Callable) 才真正发挥异步计算价值:Future f = executor.submit(() -> "done"); String result = f.get();
  • 注意 Future.get() 是阻塞的;若需非阻塞,可用 isDone() 轮询,或结合 CompletableFuture 做链式回调
  • 忘记调用 get() 或未处理 ExecutionException,会导致异常“静默丢失”

线程池 shutdown() 和 shutdownNow() 到底停不停得干净

两者都不保证立即终止所有线程,只是改变线程池状态并尝试中断正在运行的任务。

  • shutdown():设置 RUNNING → SHUTDOWN,不再接受新任务,但会等已提交任务(包括队列中等待的)全部执行完
  • shutdownNow():设置 RUNNING → STOP,尝试中断所有正在执行的线程,并清空队列,返回未执行的任务列表
  • 真正“停干净”的关键是任务自身响应中断:必须在循环中检查 Thread.interrupted() 或捕获 InterruptedException,否则 shutdownNow() 对该线程无效
  • 典型错误写法:while (true) { doWork(); } —— 它永远不响应中断;应改为 while (!Thread.currentThread().isInterrupted()) { doWork(); }

实际关闭流程建议加超时等待:

executor.shutdown();
try {
    if (!executor.awaitTermination(30, TimeUnit.SECONDS)) {
        executor.shutdownNow();
        if (!executor.awaitTermination(5, TimeUnit.SECONDS)) {
            System.err.println("Pool did not terminate");
        }
    }
} catch (InterruptedException e) {
    executor.shutdownNow();
    Thread.currentThread().interrupt();
}

线程池的边界往往藏在 shutdown 逻辑里——没等完就退出、没处理中断、没清理资源,都会让应用在重启或降级时留下残留线程。

以上就是本文的全部内容了,是否有顺利帮助你解决问题?若是能给你带来学习上的帮助,请大家多多支持golang学习网!更多关于文章的相关知识,也可关注golang学习网公众号。

Win10禁用触控板教程详解Win10禁用触控板教程详解
上一篇
Win10禁用触控板教程详解
关闭Windows开机广告方法详解
下一篇
关闭Windows开机广告方法详解
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    前端进阶之JavaScript设计模式
    设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
    543次学习
  • GO语言核心编程课程
    GO语言核心编程课程
    本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
    516次学习
  • 简单聊聊mysql8与网络通信
    简单聊聊mysql8与网络通信
    如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
    500次学习
  • JavaScript正则表达式基础与实战
    JavaScript正则表达式基础与实战
    在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
    487次学习
  • 从零制作响应式网站—Grid布局
    从零制作响应式网站—Grid布局
    本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
    485次学习
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    PubMedQA
    深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
    463次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    H2O EvalGPT
    H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
    527次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    LMArena
    LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
    545次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    HELM
    深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
    494次使用
  • MMBench详解:多模态大模型基准测试、功能特点与使用指南
    MMBench
    MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
    313次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码