当前位置:首页 > 文章列表 > 文章 > 前端 > JavaScript中Web Workers是什么?如何实现多线程?

JavaScript中Web Workers是什么?如何实现多线程?

2026-05-14 13:52:25 0浏览 收藏
Web Workers 是 JavaScript 中实现后台并发执行的关键机制,它通过进程级隔离的独立上下文卸载 CPU 密集型任务(如大数据计算、图像处理、加密解码),从根本上避免阻塞主线程导致的页面卡顿;虽不提供传统意义上的共享内存多线程,但支持高效的消息传递、ArrayBuffer 零拷贝传输,以及在严格安全策略下启用的 SharedArrayBuffer+Atomics 有限共享内存模型——真正价值不在于“炫技式并发”,而在于精准识别耗时任务、合理权衡通信开销与计算收益,让 Web 应用既保持响应流畅,又释放多核硬件潜能。

javascript中Web Workers是什么_如何实现多线程?

Web Workers 不是 JavaScript 的多线程——它没有共享内存,也不能直接操作 DOM。它是独立的执行上下文,靠消息传递通信,本质是「进程级隔离」。

Web Worker 的基本创建和通信机制

主线程通过 new Worker() 启动一个独立脚本,Worker 脚本里用 self.postMessage() 发送数据,主线程用 worker.onmessage 接收;反过来也一样。双方都只能发可序列化的值(比如对象、数组、数字),不能传函数、DOM 节点或 undefined。

常见错误:在 Worker 里调用 console.log 看不到输出?默认不显示在 DevTools 的主控制台,得点开「Workers」标签页才能看到;或者改用 self.console.log 并确保浏览器支持。

  • Worker 文件必须是同源的,不能是 data URL 或 blob URL(除非用 new Worker(URL.createObjectURL(blob)))
  • Worker 内部没有 window、document、parent,只有 self 和有限的全局对象(如 fetch、setTimeout、importScripts())
  • 传大对象时注意序列化开销,频繁通信反而比单线程慢
/* main.js */
const worker = new Worker('worker.js');
worker.postMessage({ type: 'calculate', data: [1, 2, 3, 4, 5] });
worker.onmessage = (e) => {
  console.log('Result:', e.data);
};

/ worker.js / self.onmessage = (e) => { if (e.data.type === 'calculate') { const sum = e.data.data.reduce((a, b) => a + b, 0); self.postMessage({ result: sum }); } };

如何传 ArrayBuffer 实现零拷贝(避免大数组复制)

当需要处理大量二进制数据(如图像处理、音频解码),默认 postMessage() 会结构化克隆整个对象,产生深拷贝开销。用 transferList 参数可以把 ArrayBuffer 的所有权移交给 Worker,主线程立刻无法访问该缓冲区——这是真正意义上的零拷贝。

关键点:只能转移 ArrayBuffer 及其视图(TypedArray、DataView),不能转移普通对象或 JSON。

  • 主线程传完后,原 ArrayBuffer.byteLength 变为 0,再读会报错 ArrayBuffer is detached
  • Worker 收到后需用 e.data.buffer(不是 e.data)拿到原始缓冲区
  • Chrome/Firefox 支持良好,Safari 对 transferList 的兼容性稍弱,建议检测 ArrayBuffer.prototype.transfer 是否存在
/* 主线程 */
const buffer = new ArrayBuffer(1024 * 1024);
const view = new Uint8Array(buffer);
// ... 填充数据
worker.postMessage({ buffer }, [buffer]); // 第二个参数是 transferList

/ Worker / self.onmessage = (e) => { const uint8 = new Uint8Array(e.data.buffer); // 直接复用 buffer // 处理逻辑 };

SharedArrayBuffer + Atomics:有限的“真共享内存”场景

SharedArrayBuffer 允许主线程和 Worker 共享同一块内存,配合 Atomics 实现原子操作(如加法、等待、唤醒)。但它有严格限制:必须启用跨域隔离(Cross-Origin-Opener-Policy + Cross-Origin-Embedder-Policy),且目前仅适用于高性能计算、游戏引擎等极少数场景。

绝大多数业务不需要它。滥用会导致竞态、死锁或难以调试的内存状态混乱。普通任务优先走 message-passing 模型。

  • 未启用跨域隔离时,new SharedArrayBuffer() 会抛出 TypeError: SharedArrayBuffer is not defined
  • Atomics.wait() 会挂起 Worker 线程,但主线程不能被挂起(否则页面卡死),所以只应在 Worker 中调用
  • 调试困难:Chrome 的内存快照不显示 SharedArrayBuffer 内容,需靠日志 + Atomics 操作追踪

Web Workers 的核心价值不在“并发数量”,而在把阻塞主线程的 CPU 密集型任务(比如解析大 JSON、加密、Canvas 像素计算)搬出去。别为了用而用——如果任务本身耗时不到 10ms,开 Worker 反而因启动和通信成本得不偿失。

以上就是《JavaScript中Web Workers是什么?如何实现多线程?》的详细内容,更多关于的资料请关注golang学习网公众号!

Seedance 2.0适合口播吗?口播神器推荐Seedance 2.0适合口播吗?口播神器推荐
上一篇
Seedance 2.0适合口播吗?口播神器推荐
控制反转重构组件库,实现跨平台逻辑解耦
下一篇
控制反转重构组件库,实现跨平台逻辑解耦
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。
    354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。
    414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。
    421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。
    377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。
    199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