客戶端JavaScript的線程池設計詳解

Posted on by

1.介紹：

本打算在客戶端JavaScript進行機器學習算法計算時應用線程池來優化，就像()演示的神經網絡。但是由於各種原因不瞭瞭之瞭。本次遇到瞭一個新的問題，客戶端的MD5運算也是耗時操作，如果同時對多個字符串或文件進行MD5加密就可以使用線程池來優化。

2.準備工作：

到npm官網搜索spark-md5，到其github倉庫下載spark-md5.js。該js文件支持AMD，CommonJS和web工作線程的模塊系統，我們在實現線程池時，線程工作代碼交給web工作線程處理。

在這裡插入圖片描述

在這裡插入圖片描述

在這裡插入圖片描述

3.測試spark-md5是否正常工作：

創建一個網頁，再創建一個worker.js用於保存工作線程的代碼。以下述代碼測試，如果成功輸出MD5編碼，那麼準備工作完成。

客戶端網頁代碼

<script>
    let worker = new Worker("worker.js")
    worker.postMessage("Danny")
    worker.onmessage = function({data}) {
        console.log(data)
        worker.terminate()
    }
</script>

工作線程代碼

self.importScripts("spark-md5.js")

self.onmessage = function({data}) {
    self.postMessage(self.SparkMD5.hash(data))
}

4.線程池設計

1. 目標：本次線程池設計的目標是初始創建n個初始線程，能夠滿足任意個線程請求，超出n的請求並不丟棄，而是等待到出現空閑線程後再分配之。

2. 基本設計思路：為瞭基本滿足上述目標，至少要有一個線程分配功能，一個線程回收功能。

3. 線程分配功能設計：

  • 線程池滿指的是線程池已經沒有可用空閑線程
  • 通知對象是一個不可逆狀態機，可以用Promise對象來實現
  • 阻塞請求隊列存儲Promise對象的resolve方法即可
  • 存儲線程池中的線程使用數組即可，數組每個元素是一個對象，包括線程和線程狀態
  • 返回給用戶的可用線程還需要有線程在數組中的下標，在線程釋放中會用到

在這裡插入圖片描述

4. 線程釋放功能設計：

  • 線程釋放功能需要接收一個參數，為線程的標識，3中設計該標識為數組下標
  • 當線程釋放後，查看阻塞請求隊列是否為空，如果不為空，說明有被阻塞的線程請求，此時令隊首元素出隊即可，執行resolve()通知對象的狀態變更為Fulfilled

在這裡插入圖片描述

5. 實現線程池：

class MD5Pool {
    // worker用於存儲線程
    worker = []
    // status是線程池狀態
    status = "Idle"
    // 阻塞請求隊列
    blockRequestQueue = []
    // size為用戶希望的線程池的容量
    constructor(size) {
        for(let i = 0; i < size; i ++)
            this.worker.push({
                worker: new Worker("worker.js"),
                status: "Idle"
            })
    }
    
    // 線程池狀態更新函數
    statusUpdate() {
        let sum = 0
        this.worker.forEach(({ status }) => {
            if(status === "Busy")
                sum ++
        })
        if(sum === this.worker.length)
            this.status = "Busy"
         else
            this.status = "Idle"
    }
    
    // 線程請求方法
    assign() {
        if(this.status !== "Busy") {
            // 此時線程池不滿，遍歷線程，尋找一個空閑線程
            for (let i = 0; i < this.worker.length; i++)
                if (this.worker[i].status === "Idle") {
                    // 該線程空閑，更新狀態為忙碌
                    this.worker[i].status = "Busy"
                    // 更新線程池狀態，如果這是最後一個空閑線程，那麼線程池狀態變為滿
                    this.statusUpdate()
                    // 返回給用戶該線程，和該線程的標識，標識用數組下標表示
                    return {
                        worker: this.worker[i].worker,
                        index: i
                    }
                }
        }
        else {
            // 此時線程池滿
            let resolve = null
            // 創建一個通知對象
            let promise = new Promise(res => {
                // 取得通知對象的狀態改變方法
                resolve = res
            })
            // 通知對象的狀態改變方法加入阻塞請求隊列
            this.blockRequestQueue.push(resolve)
            // 返回給請求者線程池已滿信息和通知對象
            return {
                info: "full",
                wait: promise
            }
        }
    }
    
    // 線程釋放方法，接收一個參數為線程標識
    release(index) {
        this.worker[index].status = "Idle"
        // 阻塞請求隊列中的第一個請求出隊，隊列中存儲的是promise的resolve方法，此時執行，通知請求者已經有可用的線程瞭
        if(this.blockRequestQueue.length)
            // 阻塞請求隊列隊首出列，並執行通知對象的狀態改變方法
            this.blockRequestQueue.shift()()
        // 更新線程池狀態，此時一定空閑
        this.status = "Idle"
    }
}

5.spark-md5對文件進行md5編碼

說明：

在3的測試中spark-md5隻是對簡單字符串進行MD5編碼，並非需要大量運算的耗時操作。spark-md5可以對文件進行MD5編碼，耗時較多，實現如下。

註意：

spark-md5對文件編碼時必須要對文件進行切片後再加密整合，否則不同文件可能會有相同編碼。詳情見github或npm。

// 在工作線程中引入spark-md5
self.importScripts("spark-md5.js")

let fd = new FileReader()
let spark = new self.SparkMD5.ArrayBuffer()

// 接收主線程發來的消息，是一個文件
self.onmessage = function(event) {
    // 獲取文件
    let chunk = event.data
    // spark-md5要求計算文件的MD5必須切片計算
    let chunks = fileSlice(chunk)
    // 計算MD5編碼
    load(chunks)
}

// 切片函數
function fileSlice(file) {
    let pos = 0
    let chunks = []
    // 將文件平均切成10分計算MD5
    const SLICE_SIZE = Math.ceil(file.size / 10)
    while(pos < file.size) {
        // slice可以自動處理第二個參數越界
        chunks.push(file.slice(pos, pos + SLICE_SIZE))
        pos += SLICE_SIZE
    }
    return chunks
}

// MD5計算函數
async function load(chunks) {
    for(let i = 0; i < chunks.length; i ++) {
        fd.readAsArrayBuffer(chunks[i])
        // 在這裡希望節約空間，因此復用瞭FileReader，而不是每次循環新創建一個FileReader。需要等到FileReader完成read後才可以進行下一輪復用，因此用await阻塞。
        await new Promise(res => {
            fd.onload = function(event) {
                spark.append(event.target.result)
                if(i === chunks.length - 1) {
                    self.postMessage(spark.end())
                }
                res()
            }
        })
    }
}

6.大量文件進行MD5加密並使用線程池優化

下面的測試代碼就是對上文所述的拼接

網頁代碼

<input id="input" type="file" multiple onchange="handleChanged()"/>
<body>
    <script>
        class MD5Pool {
            worker = []
            status = "Idle"
            blockRequestQueue = []
            constructor(size) {
                for(let i = 0; i < size; i ++)
                    this.worker.push({
                        worker: new Worker("worker.js"),
                        status: "Idle"
                    })
            }

            statusUpdate() {
                let sum = 0
                this.worker.forEach(({ status }) => {
                    if(status === "Busy")
                        sum ++
                })
                if(sum === this.worker.length)
                    this.status = "Busy"
                 else
                    this.status = "Idle"
            }

            assign() {
                if(this.status !== "Busy") {
                    for (let i = 0; i < this.worker.length; i++)
                        if (this.worker[i].status === "Idle") {
                            this.worker[i].status = "Busy"
                            this.statusUpdate()
                            return {
                                worker: this.worker[i].worker,
                                index: i
                            }
                        }
                }
                else {
                    let resolve = null
                    let promise = new Promise(res => {
                        resolve = res
                    })
                    this.blockRequestQueue.push(resolve)
                    return {
                        info: "full",
                        wait: promise
                    }
                }
            }

            release(index) {
                this.worker[index].status = "Idle"
                // 阻塞請求隊列中的第一個請求出隊，隊列中存儲的是promise的resolve方法，此時執行，通知請求者已經有可用的線程瞭
                if(this.blockRequestQueue.length)
                    this.blockRequestQueue.shift()()
                this.status = "Idle"
            }
        }

        // input點擊事件處理函數
        function handleChanged() {
            let files = event.target.files
            // 創建一個大小為2的MD5計算線程池
            let pool = new MD5Pool(2)
            // 計算切片文件的MD5編碼
            Array.prototype.forEach.call(files, file => {
                getMD5(file, pool)
            })
        }

        // 獲取文件的MD5編碼的函數，第一個參數是文件，第二個參數是MD5線程池
        async function getMD5(chunk, pool) {
            let thread = pool.assign()
            // 如果info為full，那麼說明線程池線程已被全部占用，需要等待
            if(thread.info === "full") {
                // 獲取線程通知對象
                let wait = thread.wait
                // 等到wait兌現時說明已經有可用的線程瞭
                await wait
                thread = pool.assign()
                let { worker, index } = thread
                worker.postMessage(chunk)
                worker.onmessage = function (event) {
                    console.log(event.data)
                    pool.release(index)
                }
            } else {
                let { worker, index } = thread
                worker.postMessage(chunk)
                worker.onmessage = function (event) {
                    console.log(event.data)
                    pool.release(index)
                }
            }
        }
    </script>
</body>

工作線程代碼

self.importScripts("spark-md5.js")

let fd = new FileReader()
let spark = new self.SparkMD5.ArrayBuffer()

self.onmessage = function(event) {
    // 獲取文件
    let chunk = event.data
    // spark-md5要求計算文件的MD5必須切片計算
    let chunks = fileSlice(chunk)
    // 計算MD5編碼
    load(chunks)
}

// 切片函數
function fileSlice(file) {
    let pos = 0
    let chunks = []
    // 將文件平均切成10分計算MD5
    const SLICE_SIZE = Math.ceil(file.size / 10)
    while(pos < file.size) {
        // slice可以自動處理第二個參數越界
        chunks.push(file.slice(pos, pos + SLICE_SIZE))
        pos += SLICE_SIZE
    }
    return chunks
}

// MD5計算函數
async function load(chunks) {
    for(let i = 0; i < chunks.length; i ++) {
        fd.readAsArrayBuffer(chunks[i])
        // 在這裡希望節約空間，因此復用瞭FileReader，而不是每次循環新創建一個FileReader。需要等到FileReader完成read後才可以進行下一輪復用，因此用await阻塞。
        await new Promise(res => {
            fd.onload = function(event) {
                spark.append(event.target.result)
                if(i === chunks.length - 1) {
                    self.postMessage(spark.end())
                }
                res()
            }
        })
    }
}

隨機選取18個文件進行MD5編碼，結果如下

在這裡插入圖片描述

總結

本篇文章就到這裡瞭，希望能夠給你帶來幫助，也希望您能夠多多關註WalkonNet的更多內容!

推薦閱讀：