前言
在某些时候，一旦单表数据量过大，查询数据的时候就会变得异常卡顿，虽然在大多数情况下并不需要查询所有的数据，而是通过分页或缓存的形式去减少或者避免这个问题，但是仍然存在需要这样的场景，比如需要导出一大批数据到excel中，导出数据之前，首先得把数据查询出来吧？这个查询的过程，数据量一旦过大，单线程查询数据将会成为瓶颈，下面尝试使用多线程来尝试查询一张数据量较大的表
由于代码逻辑不是很难，直接上代码，关键的地方会有代码注释和说明，总体实现思路：
- 查询表的数据总量
- 线程切分，根据本机CPU的核数配置合适数量的线程处理数，根据数据总量为不同的线程分配不同的查询数据量分段，即不同的线程查询不同分段的数据
- 将各个查询数据的线程提交至线程池，这里使用的线程是带有返回结果的异步线程
1、测试控制器
@GetMapping("/getSysLogMulti")
@ApiOperation(value = "多线程获取日志数据", notes = "多线程获取日志数据", produces = "application/json")
public List getSysLogMulti() {
return operLogService.getSysLogMulti();
}
2、业务实现类
@Autowired
private MultiThreadQueryUtil multiThreadQueryUtil;
@Override
public List<List> getSysLogMulti(){
return multiThreadQueryUtil.getMultiCombineResult();
}
3、多线程实现类
import com.sx.workflow.mapper.WorkflowTaskMapper;
import com.sx.workflow.util.ExcelLocalUtils;
import org.springframework.beans.factory.annotation.Autowired;
import org.springframework.stereotype.Service;
import java.util.ArrayList;
import java.util.List;
import java.util.Map;
import java.util.concurrent.Callable;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.Future;
/**
* 多线程查询结果
*/
@Service
public class MultiThreadQueryUtil {
@Autowired
private WorkflowTaskMapper workflowTaskMapper;
/**
* 获取多线程结果并进行结果合并
* @return
*/
public List<List> getMultiCombineResult() {
//开始时间
long start = System.currentTimeMillis();
//返回结果
List<List> result = new ArrayList<>();
//查询数据库总数量
int count = workflowTaskMapper.selectCountAll();
Map<String,String> splitMap = ExcelLocalUtils.getSplitMap(count,5);
int bindex = 1;
//Callable用于产生结果
List<Callable<List>> tasks = new ArrayList<>();
for (int i = 1; i <= 5; i++) {
//不同的线程用户处理不同分段的数据量，这样就达到了平均分摊查询数据的压力
String[] nums = splitMap.get(String.valueOf(i)).split(":");
int startNum = Integer.valueOf(nums[0]);
int endNum = Integer.valueOf(nums[1]);
Callable<List> qfe = new ThredQuery(startNum, endNum-startNum+1);
tasks.add(qfe);
bindex += bindex;
}
try{
//定义固定长度的线程池 防止线程过多，这个数量一般跟自己电脑的CPU核数进行匹配
ExecutorService executorService = Executors.newFixedThreadPool(5);
//Future用于获取结果
List<Future<List>> futures=executorService.invokeAll(tasks);
//处理线程返回结果
if(futures!=null&&futures.size() > 0){
for (Future<List> future:futures){
result.addAll(future.get());
}
}
//关闭线程池，一定不能忘记
executorService.shutdown();
}catch (Exception e){
e.printStackTrace();
}
long end = System.currentTimeMillis();
System.out.println("线程查询数据用时:"+(end-start)+"ms");
return result;
}
}
4、不同的线程负责查询自己线程负责的数据分段的数据方法
public class ThredQuery implements Callable<List> {
public static SpringContextUtil springContextUtil = new SpringContextUtil();
private int start;
private int end;
//每个线程查询出来的数据集合
private List datas;
public ThredQuery(int start,int end) {
this.start=start;
this.end=end;
//每个线程查询出来的数据集合
WorkflowTaskService workflowTaskService = springContextUtil.getBean("workflowTaskService");
List count = workflowTaskService.getCurrentTasks(start,end);
datas = count;
}
//返回数据给Future
@Override
public List call() throws Exception {
return datas;
}
}
获取具体的bean的工具类，由于线程中无法注册bean，因此需要通过获取bean的方式来进行数据库查询和交互，代码如下：
import org.springframework.beans.BeansException;
import org.springframework.context.ApplicationContext;
import org.springframework.context.ApplicationContextAware;
import org.springframework.stereotype.Component;
@Component("springContextUtil")
public class SpringContextUtil implements ApplicationContextAware {
private static ApplicationContext applicationContext; // Spring应用上下文环境
public void setApplicationContext(ApplicationContext applicationContext) throws BeansException {
SpringContextUtil.applicationContext = applicationContext;
}
public static ApplicationContext getApplicationContext() {
return applicationContext;
}
@SuppressWarnings("unchecked")
public static <T> T getBean(String name) throws BeansException {
return (T) applicationContext.getBean(name);
}
@SuppressWarnings("unchecked")
public static <T> T getBean(Class<?> clz) throws BeansException {
return (T) applicationContext.getBean(clz);
}
}
最后运行一下程序，通过接口来调用一下，通过执行结果可以看到，我这里单表大概5万多条数据，测试了几次，平均下来，不到2秒的时间，总体来说，还是很快的
本篇内容比较简单，主要是方便后续使用时查阅，希望对看到的同学有用，最后感谢观看！
