前言
前段时间在某个第三方平台看到我写作字数居然突破了 10W 字，难以想象高中 800 字作文我都得巧妙的利用换行来完成(懂的人肯定也干过)。
干了这行养成了一个习惯：能撸码验证的事情都自己验证一遍。
于是在上周五通宵加班的空余时间写了一个工具：
https://github.com/crossoverJie/NOWS
利用 SpringBoot 只需要一行命令即可统计自己写了多少个字。
java -jar nows-0.0.1-SNAPSHOT.jar /xx/Hexo/source/_posts
传入需要扫描的文章目录即可输出结果（目前只支持 .md 结尾 Markdown 文件）
当然结果看个乐就行（40 几万字），因为早期的博客我喜欢大篇的贴代码，还有一些英文单词也没有过滤，所以导致结果相差较大。
如果仅仅只是中文文字统计肯定是准的，并且该工具内置灵活的扩展方式，使用者可以自定义统计策略，具体请看后文。
其实这个工具挺简单的，代码量也少，没有多少可以值得拿出来讲的。但经过我回忆不管是面试还是和网友们交流都发现一个普遍的现象：
大部分新手开发都会去看多线程、但几乎都没有相关的实践。甚至有些都不知道多线程拿来在实际开发中有什么用。
为此我想基于这个简单的工具为这类朋友带来一个可实践、易理解的多线程案例。
至少可以让你知道：
为什么需要多线程？
怎么实现一个多线程程序？
多线程带来的问题及解决方案？
单线程统计
再谈多线程之前先来聊聊单线程如何实现。
本次的需求也很简单，只是需要扫描一个目录读取下面的所有文件即可。
所有我们的实现有以下几步：
读取某个目录下的所有文件。
将所有文件的路径保持到内存。
遍历所有的文件挨个读取文本记录字数即可。
先来看前两个如何实现，并且当扫描到目录时需要继续读取当前目录下的文件。
这样的场景就非常适合递归：
public List<String> getAllFile(String path){
File f = new File(path) ;
File[] files = f.listFiles();
for (File file : files) {
if (file.isDirectory()){
String directoryPath = file.getPath();
getAllFile(directoryPath);
}else {
String filePath = file.getPath();
if (!filePath.endsWith(".md")){
continue;
}
allFile.add(filePath) ;
}
}
return allFile ;
}
}
读取之后将文件的路径保持到一个集合中。
需要注意的是这个递归次数需要控制下，避免出现栈溢出(StackOverflow)。
最后读取文件内容则是使用 Java8 中的流来进行读取，这样代码可以更简洁：
Stream<String> stringStream = Files.lines(Paths.get(path), StandardCharsets.UTF_8);
List<String> collect = stringStream.collect(Collectors.toList());
接下来便是读取字数，同时要过滤一些特殊文本（比如我想过滤掉所有的空格、换行、超链接等）。
扩展能力
简单处理可在上面的代码中遍历 collect 然后把其中需要过滤的内容替换为空就行。
但每个人的想法可能都不一样。比如我只想过滤掉空格、换行、超链接就行了，但有些人需要去掉其中所有的英文单词，甚至换行还得留着（就像写作文一样可以充字数）。
所有这就需要一个比较灵活的处理方式。
看过上文《利用责任链模式设计一个拦截器》应该很容易想到这样的场景责任链模式再合适不过了。
关于责任链模式具体的内容就不在详述了，感兴趣的可以查看上文。
这里直接看实现吧：
定义责任链的抽象接口及处理方法：
public interface FilterProcess {
/**
* 处理文本
* @param msg
* @return
*/
String process(String msg) ;
}
处理空格和换行的实现：
public class WrapFilterProcess implements FilterProcess{
@Override
public String process(String msg) {
msg = msg.replaceAll("\s*", "");
return msg ;
}
}
处理超链接的实现：
public class HttpFilterProcess implements FilterProcess{
@Override
public String process(String msg) {
msg = msg.replaceAll("^((https|http|ftp|rtsp|mms)?:\/\/)[^\s]+","");
return msg ;
}
}
这样在初始化时需要将这些处理 handle 都加入责任链中，同时提供一个 API 供客户端执行即可。
这样一个简单的统计字数的工具就完成了。
多线程模式
在我本地一共就几十篇博客的条件下执行一次还是很快的，但如果我们的文件是几万、几十万甚至上百万呢。
虽然功能可以实现，但可以想象这样的耗时绝对是成倍的增加。
这时多线程就发挥优势了，由多个线程分别去读取文件最后汇总结果即可。
这样实现的过程就变为：
读取某个目录下的所有文件。
将文件路径交由不同的线程自行处理。
最终汇总结果。
多线程带来的问题
也不是使用多线程就万事大吉了，先来看看第一个问题：共享资源。
简单来说就是怎么保证多线程和单线程统计的总字数是一致的。
基于我本地的环境先看看单线程运行的结果：
总计为：414142 字。
接下来换为多线程的方式：
List<String> allFile = scannerFile.getAllFile(strings[0]);
logger.info("allFile size=[{}]",allFile.size());
for (String msg : allFile) {
executorService.execute(new ScanNumTask(msg,filterProcessManager));
}
public class ScanNumTask implements Runnable {
private static Logger logger = LoggerFactory.getLogger(ScanNumTask.class);
private String path;
private FilterProcessManager filterProcessManager;
public ScanNumTask(String path, FilterProcessManager filterProcessManager) {
this.path = path;
this.filterProcessManager = filterProcessManager;
}
@Override
public void run() {
Stream<String> stringStream = null;
try {
stringStream = Files.lines(Paths.get(path), StandardCharsets.UTF_8);
} catch (Exception e) {
logger.error("IOException", e);
}
List<String> collect = stringStream.collect(Collectors.toList());
for (String msg : collect) {
filterProcessManager.process(msg);
}
}
}
使用线程池管理线程，更多线程池相关的内容请看这里：《如何优雅的使用和理解线程池》
执行结果：
我们会发现无论执行多少次，这个值都会小于我们的预期值。
来看看统计那里是怎么实现的。
@Component
public class TotalWords {
private long sum = 0 ;
public void sum(int count){
sum += count;
}
public long total(){
return sum;
}
}
可以看到就是对一个基本类型进行累加而已。那导致这个值比预期小的原因是什么呢？
我想大部分人都会说：多线程运行时会导致有些线程把其他线程运算的值覆盖。
但其实这只是导致这个问题的表象，根本原因还是没有讲清楚。
内存可见性
核心原因其实是由 Java 内存模型（JMM）的规定导致的。
这里引用一段之前写的《你应该知道的 volatile 关键字》一段解释：
由于 Java 内存模型(JMM)规定，所有的变量都存放在主内存中，而每个线程都有着自己的工作内存(高速缓存)。
线程在工作时，需要将主内存中的数据拷贝到工作内存中。这样对数据的任何操作都是基于工作内存(效率提高)，并且不能直接操作主内存以及其他线程工作内存中的数据，之后再将更新之后的数据刷新到主内存中。
这里所提到的主内存可以简单认为是堆内存，而工作内存则可以认为是栈内存。
如下图所示：
所以在并发运行时可能会出现线程 B 所读取到的数据是线程 A 更新之前的数据。
更多相关内容就不再展开了，感兴趣的朋友可以翻翻以前的博文。
直接来说如何解决这个问题吧，JDK 其实已经帮我们想到了这些问题。
在 java.util.concurrent 并发包下有许多你可能会使用到的并发工具。
这里就非常适合 AtomicLong，它可以原子性的对数据进行修改。
来看看修改后的实现：
@Component
public class TotalWords {
private AtomicLong sum = new AtomicLong() ;
public void sum(int count){
sum.addAndGet(count) ;
}
public long total(){
return sum.get() ;
}
}
只是使用了它的两个 API 而已。再来运行下程序会发现结果居然还是不对。
甚至为 0 了。
线程间通信
这时又出现了一个新的问题，来看看获取总计数据是怎么实现的。
List<String> allFile = scannerFile.getAllFile(strings[0]);
logger.info("allFile size=[{}]",allFile.size());
for (String msg : allFile) {
executorService.execute(new ScanNumTask(msg,filterProcessManager));
}
executorService.shutdown();
long total = totalWords.total();
long end = System.currentTimeMillis();
logger.info("total sum=[{}],[{}] ms",total,end-start);
知道大家看出问题没有，其实是在最后打印总数时并不知道其他线程是否已经执行完毕了。
因为 executorService.execute() 会直接返回，所以当打印获取数据时还没有一个线程执行完毕，也就导致了这样的结果。
关于线程间通信之前我也写过相关的内容：《深入理解线程通信》
大概的方式有以下几种：
这里我们使用线程池的方式：
在停用线程池后加上一个判断条件即可：
executorService.shutdown();
while (!executorService.awaitTermination(100, TimeUnit.MILLISECONDS)) {
logger.info("worker running");
}
long total = totalWords.total();
long end = System.currentTimeMillis();
logger.info("total sum=[{}],[{}] ms",total,end-start);
这样我们再次尝试，发现无论多少次结果都是正确的了：
效率提升
可能还会有朋友问，这样的方式也没见提升多少效率啊。
这其实是由于我本地文件少，加上一个文件处理的耗时也比较短导致的。
甚至线程数开的够多导致频繁的上下文切换还是让执行效率降低。
为了模拟效率的提升，每处理一个文件我都让当前线程休眠 100 毫秒来模拟执行耗时。
先看单线程运行需要耗时多久。
总共耗时：[8404] ms
接着在线程池大小为 4 的情况下耗时：
总共耗时：[2350] ms
可见效率提升还是非常明显的。
更多思考
这只是多线程其中的一个用法，相信看到这里的朋友应该多它的理解更进一步了。
再给大家留个阅后练习，场景也是类似的：
在 Redis 或者其他存储介质中存放有上千万的手机号码数据，每个号码都是唯一的，需要在最快的时间内把这些号码全部都遍历一遍。
有想法感兴趣的朋友欢迎在文末留言参与讨论。
总结
希望看完的朋友心中能对文初的几个问题能有自己的答案：
为什么需要多线程？
怎么实现一个多线程程序？
多线程带来的问题及解决方案？
