前言：

事情是這樣的：運(yùn)營(yíng)人員反饋，通過(guò)Excel導(dǎo)入數(shù)據(jù)時(shí)，有一部分成功了，有一部分未導(dǎo)入。初步猜測(cè)，是事務(wù)未生效導(dǎo)致的。查看代碼，發(fā)現(xiàn)導(dǎo)入部分已經(jīng)通過(guò)@Transcational注解進(jìn)行事務(wù)控制了，為什么還會(huì)出現(xiàn)事務(wù)不生效的問(wèn)題呢？下面我們就進(jìn)行具體的案例分析，Let's go!

事務(wù)不生效的代碼

這里寫(xiě)一段簡(jiǎn)單的偽代碼來(lái)演示展示一下事務(wù)不生效的代碼：

  @Transactional(rollbackFor = Exception.class)
  public void batchInsert(List<Order> list) {
    list.parallelStream().forEach(order -> orderMapper.save(order));
  }

邏輯很簡(jiǎn)單，遍歷list，然后批量插入Order數(shù)據(jù)到數(shù)據(jù)庫(kù)。在該方法上使用@Transactional來(lái)聲明出現(xiàn)異常時(shí)進(jìn)行回滾。

但事實(shí)情況是，其中某一條數(shù)據(jù)執(zhí)行異常時(shí)，事務(wù)并沒(méi)有進(jìn)行回滾。這到底是為什么呢？

下面一探究竟。

JDK 8 的Stream

上面代碼中涉及到了兩個(gè)知識(shí)點(diǎn)：parallelStream和@Transactional，我們先來(lái)鋪墊一下parallelStream相關(guān)知識(shí)。

在JDK8 中引入了Stream API的概念和實(shí)現(xiàn)，這里的Stream有別于 InputStream 和OutputStream，Stream API 是處理對(duì)象流而不是字節(jié)流。

比如，我們可以通過(guò)如下方式來(lái)基于Stream進(jìn)行實(shí)現(xiàn)：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9); 
numbers.stream().forEach(num->System.out.println(num));

輸出：1 2 3 4 5 6 7 8 9

代碼看起來(lái)方便清爽多了。

關(guān)于Stream的基本處理流程如下：

在這些Stream API中，還提供了一個(gè)并行處理的API，也就是parallelStream。它可以將任務(wù)拆分子任務(wù)，分發(fā)給多個(gè)處理器同時(shí)處理，之后合并。這樣做的目的很明顯是為了提升處理效率。

parallelStream的基本使用方式如下：

// 并行執(zhí)行流
list.stream().parallel().filter(e -> e > 10).count()

針對(duì)上述代碼，對(duì)應(yīng)的流程如下：

而parallelStream會(huì)將流劃分成多個(gè)子流，分散到不同的CPU并行處理，然后合并處理結(jié)果。其中，parallelStream默認(rèn)是基于ForkJoinPool.commonPool()線(xiàn)程池來(lái)實(shí)現(xiàn)并行處理的。

通常情況下，我們可以認(rèn)為并行會(huì)比串行快，但還是有前提條件的：

• 處理器核心數(shù)量：并行處理核心數(shù)越多，處理效率越高；
• 處理數(shù)據(jù)量：處理數(shù)據(jù)量越大優(yōu)勢(shì)越明顯；

但并行處理也面臨著一系列的問(wèn)題，比如：資源競(jìng)爭(zhēng)、死鎖、線(xiàn)程切換、事務(wù)、可見(jiàn)性、線(xiàn)程安全等問(wèn)題。

@Transactional事務(wù)處理

上面了解了parallelStream的基本原理及特性之后，再來(lái)看看@Transactional的事務(wù)處理特性。

@Transactional是Spring提供的基于注解的一種聲明式事務(wù)方式，該注解只能運(yùn)用到public的方法上。

基本原理：當(dāng)一個(gè)方法被@Transactional注解之后，Spring會(huì)基于A(yíng)OP在方法執(zhí)行之前開(kāi)啟一個(gè)事務(wù)。當(dāng)方法執(zhí)行完畢之后，根據(jù)方法是否報(bào)錯(cuò)，來(lái)決定回滾或提交事務(wù)。

在默認(rèn)代理模式下，只有目標(biāo)方法由外部方法調(diào)用時(shí)，才能被Spring的事務(wù)攔截器攔截。所以，在同一個(gè)類(lèi)中的兩個(gè)方法直接調(diào)用，不會(huì)被Spring的事務(wù)攔截器攔截。這是事務(wù)不生效的一個(gè)場(chǎng)景，但在上述案例中，并不存在這種情況。

Spring在處理事務(wù)時(shí)，會(huì)從連接池中獲得一個(gè)jdbc connection，將連接綁定到線(xiàn)程上（基于ThreadLocal），那么同一個(gè)線(xiàn)程中用到的就是同一個(gè)connection了。具體實(shí)現(xiàn)在DataSourceTransactionManager#doBegin方法中。

Bug綜合分析

在了解了parallelStream和@Transactional的相關(guān)知識(shí)之后，我們會(huì)發(fā)現(xiàn)：parallelStream處理時(shí)開(kāi)啟了多線(xiàn)程，而@Transactional在處理事務(wù)時(shí)會(huì)（基于ThreadLocal）將連接綁定到當(dāng)前線(xiàn)程，由于@Transactional綁定管理的是主線(xiàn)程的事務(wù)，而parallelStream開(kāi)啟的新的線(xiàn)程與主線(xiàn)程無(wú)關(guān)。因此，事務(wù)也就無(wú)效了。

此時(shí)，將parallelStream改為普通的stream，事務(wù)可正?；貪L。這就提示我們，在使用基于@Transactional方式管理事務(wù)時(shí)，慎重使用多線(xiàn)程處理。

問(wèn)題拓展

雖然parallelStream帶來(lái)了更高的性能，但也要區(qū)分場(chǎng)景進(jìn)行使用。即便是在不需要事務(wù)管理的情況下，如果parallelStream使用不當(dāng)，也會(huì)造成同一時(shí)間對(duì)數(shù)據(jù)庫(kù)發(fā)起大量請(qǐng)求等問(wèn)題。

因此，在stream與parallelStream之間進(jìn)行選擇時(shí)，還要考慮幾個(gè)問(wèn)題：

• 是否需要并行？數(shù)據(jù)量比較大，處理器核心數(shù)比較多的情況下才會(huì)有性能提升。
• 任務(wù)之間是否是獨(dú)立的，是否會(huì)引起任何競(jìng)態(tài)條件？比如：是否共享變量。
• 執(zhí)行結(jié)果是否取決于任務(wù)的調(diào)用順序？并行執(zhí)行的順序是不確定的。

小結(jié)

文章講述的Bug雖然簡(jiǎn)單，但如果不了解parallelStream與@Transactional注解的特性，還是很難排查的。而且也讓我們意識(shí)到，雖然Spring通過(guò)@Transactional將事務(wù)管理進(jìn)行了簡(jiǎn)化處理，但作為開(kāi)發(fā)者，還是需要深入了解一下它的基本運(yùn)作原理。不然，在排查bug時(shí)，很容易踩坑。

到此這篇關(guān)于并行Stream與Spring事務(wù)相遇會(huì)發(fā)生什么?的文章就介紹到這了,更多相關(guān) Stream與Spring 內(nèi)容請(qǐng)搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持腳本之家！

最新評(píng)論