当前位置:首页 > 文章列表 > 文章 > java教程 > JavaCountDownLatch线程同步方法解析

JavaCountDownLatch线程同步方法解析

2026-02-11 11:45:42 0浏览 收藏

大家好,我们又见面了啊~本文《Java如何用CountDownLatch实现线程同步》的内容中将会涉及到等等。如果你正在学习文章相关知识,欢迎关注我,以后会给大家带来更多文章相关文章,希望我们能一起进步!下面就开始本文的正式内容~

CountDownLatch 是一次性同步辅助类,用于让线程等待其他线程完成指定数量的操作;典型场景包括主线程等待多个子任务结束、测试并发起跑线、多异步初始化完成等。

在Java里如何使用CountDownLatch进行线程同步_Java并发工具类说明

CountDownLatch 是什么,什么时候该用它

CountDownLatch 是一个一次性同步辅助类,核心作用是让一个或多个线程等待,直到其他线程完成一组操作。它不用于保护共享资源,也不替代 synchronizedReentrantLock;它的典型场景是「等全部任务做完再继续」,比如:

  • 主线程启动多个子任务后,统一等待它们全部结束
  • 测试中模拟并发请求到达的“起跑线”
  • 初始化阶段依赖多个异步加载项完成

它内部维护一个计数器,调用 countDown() 递减,调用 await() 的线程会阻塞直到计数器归零。计数器归零后,所有等待线程被唤醒,且后续再调用 await() 会立即返回——它不可重置,用完即弃。

怎么正确初始化和触发等待

构造时必须传入正整数作为初始计数:new CountDownLatch(3) 表示要等 3 次 countDown()。常见错误包括:

  • 传入 0:虽然合法,但 await() 立即返回,容易掩盖逻辑误判
  • 计数与实际任务数不一致:比如启动了 5 个线程却只 countDown() 4 次,主线程永远卡在 await()
  • 在非预期位置调用 countDown():例如在异常分支遗漏调用,导致计数无法归零

推荐写法是在每个任务执行完毕(无论成功或失败)后确保调用 countDown(),通常放在 finally 块里:

executor.submit(() -> {
    try {
        doWork();
    } finally {
        latch.countDown(); // 保证计数一定减少
    }
});

await() 要不要加超时?为什么

无参 await() 会无限等待,一旦漏调 countDown() 或某个任务卡死,整个流程就挂住。生产环境强烈建议使用带超时的版本:latch.await(10, TimeUnit.SECONDS)

  • 返回 true 表示计数已归零,可安全继续
  • 返回 false 表示超时,此时应主动处理:记录告警、中断任务、清理资源
  • 超时单位别写错:TimeUnit.MILLISECONDSTimeUnit.SECONDS 差 1000 倍,容易误判

注意:超时后 await() 返回 false,但计数器状态不变;如果之后别的线程又调了 countDown() 归零,不会重新唤醒已超时返回的线程——它已经走完了。

和 CyclicBarrier、Phaser 有什么关键区别

选错工具会导致逻辑难维护或行为异常:

  • CyclicBarrier 可重复使用,适合多轮协作(如多轮计算迭代),且支持到达时触发 Runnable 动作;而 CountDownLatch 一旦触发就失效
  • Phaser 更灵活,能动态增删参与者、分阶段等待,但复杂度高;简单“等 N 件事做完”场景,CountDownLatch 更轻量、语义更清晰
  • 它们都不解决线程安全问题:如果多个线程共用同一份结果容器(如 ArrayList),仍需额外同步机制

别为了“看起来高级”硬套 Phaser,多数初始化等待、批量任务汇合场景,CountDownLatch 就是最直接的选择。真正容易被忽略的是:它不传递异常,子线程抛出的异常不会自动冒泡到 await() 调用方,得靠额外机制(比如 Future.get() 或共享 AtomicReference)捕获。

好了,本文到此结束,带大家了解了《JavaCountDownLatch线程同步方法解析》,希望本文对你有所帮助!关注golang学习网公众号,给大家分享更多文章知识!

Java异常捕获会影响性能吗?优化方法分享Java异常捕获会影响性能吗?优化方法分享
上一篇
Java异常捕获会影响性能吗?优化方法分享
兔喜生活APP通知开启教程
下一篇
兔喜生活APP通知开启教程
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
  • 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。
    124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。
    44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。
    10次使用
  • OpenCompass大模型评测体系详解:功能、使用指南与应用场景
    OpenCompass
    OpenCompass是上海AI实验室推出的开源大模型评测平台,提供CompassKit、CompassHub和CompassRank三大核心组件,支持LLM及多模态模型的一站式标准化评估与排行榜查询。
    66次使用
  • AGI-Eval大模型评测平台:权威榜单、数据集与人机协同评测方案
    AGI-Eval
    AGI-Eval是由上海交大等高校联合发布的大模型评测社区,提供公正透明的LLM能力榜单、多领域评测集及Data Studio数据服务,助力AI模型性能评估与NLP科研开发。
    41次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议隐私政策
返回登录
  • 重置密码