在REPL中使用Scala中的java.util.concurrent._进行死锁

package fpinscala.parallelism

    import java.util.concurrent._
    import language.implicitConversions


    object Par {
      type Par[A] = ExecutorService => Future[A]

      def run[A](s: ExecutorService)(a: Par[A]): Future[A] = a(s)

      def unit[A](a: A): Par[A] = (es: ExecutorService) => UnitFuture(a) // `unit` is represented as a function that returns a `UnitFuture`,which is a simple implementation of `Future` that just wraps a constant value. It doesn't use the `ExecutorService` at all. It's always done and can't be cancelled. Its `get` method simply returns the value that we gave it.

      private case class UnitFuture[A](get: A) extends Future[A] {
        def isDone = true
        def get(timeout: Long,units: TimeUnit) = get
        def isCancelled = false
        def cancel(evenIfRunning: Boolean): Boolean = false
      }

      def map2[A,B,C](a: Par[A],b: Par[B])(f: (A,B) => C): Par[C] = // `map2` doesn't evaluate the call to `f` in a separate logical thread,in accord with our design choice of having `fork` be the sole function in the API for controlling parallelism. We can always do `fork(map2(a,b)(f))` if we want the evaluation of `f` to occur in a separate thread.
        (es: ExecutorService) => {
          val af = a(es)
          val bf = b(es)
          UnitFuture(f(af.get,bf.get)) // This implementation of `map2` does _not_ respect timeouts. It simply passes the `ExecutorService` on to both `Par` values,waits for the results of the Futures `af` and `bf`,applies `f` to them,and wraps them in a `UnitFuture`. In order to respect timeouts,we'd need a new `Future` implementation that records the amount of time spent evaluating `af`,then subtracts that time from the available time allocated for evaluating `bf`.
        }

      def fork[A](a: => Par[A]): Par[A] = // This is the simplest and most natural implementation of `fork`,but there are some problems with it--for one,the outer `Callable` will block waiting for the "inner" task to complete. Since this blocking occupies a thread in our thread pool,or whatever resource backs the `ExecutorService`,this implies that we're losing out on some potential parallelism. Essentially,we're using two threads when one should suffice. This is a symptom of a more serious problem with the implementation,and we will discuss this later in the chapter.
        es => es.submit(new Callable[A] {
          def call = a(es).get
        })

      def lazyUnit[A](a: => A): Par[A] = fork(unit(a))

 def equal[A](e: ExecutorService)(p: Par[A],p2: Par[A]): Boolean =
    p(e).get == p2(e).get

}

val a = Par.lazyUnit(42 + 1)
val es: ExecutorService = Executors.newFixedThreadPool(2)
println(Par.fork(a)(es).get)

java.util.concurrent.ThreadPoolE
xecutor@73a86d72[Running,pool size = 0,active threads = 0,queued tasks =
 0,completed tasks = 0]

好的,经过长时间的调查,我相信我有一个答案.完整的故事很长,但我会尝试通过简化和避免许多细节来缩短它.

注意：潜在的Scala可以编译到各种不同的目标平台,但是这个特定问题在Java / JVM上作为目标发生,所以这就是这个答案的内容.

您看到的死锁与线程池的大小无关.实际上是挂起的外叉调用.它与REPL实现细节和多线程的组合有关,但需要学习一些内容才能理解它是如何发生的：

> Scala REPL的工作原理
> Scala如何将对象编译为Java / JVM
> Scala如何模拟Java / JVM上的by-name参数
> Java / JVM如何运行类的静态初始化器

一个简短的(呃)版本(参见最后的摘要)是这个代码在REPL下挂起,因为当它由REPL执行时,它在逻辑上类似于以下代码：

object DeadLock {

  import scala.concurrent._
  import scala.concurrent.duration.Duration
  import scala.concurrent.ExecutionContext.Implicits.global

  val foo: Int = Await.result(Future(calc()),Duration.Inf)

  def printFoo(): Unit = {
    println(s"Foo = $foo")
  }

  private def calc(): Int = {
    println("Before calc")
    42
  }
}


def test(): Unit = {
  println("Before printFoo")
  DeadLock.printFoo()
  println("After printFoo")
}

或者在Java世界中非常相似：

class Deadlock {
    static CompletableFuture<Integer> cf;
    static int foo;

    public static void printFoo() {
        System.out.println("Print foo " + foo);
    }

    static {
        cf = new CompletableFuture<Integer>();
        new Thread(new Runnable() {
            @Override
            public void run() {
                calcF();
            }
        }).start();
        try {
            foo = cf.get();
            System.out.println("Future result = " + cf.get());
        } catch (InterruptedException e) {
            e.printStackTrace();f
        } catch (ExecutionException e) {
            e.printStackTrace();
        }
    }


    private static void calcF() {
        cf.complete(42);
    }
}

public static void main(String[] args) {
    System.out.println("Before foo");
    Deadlock.printFoo();
    System.out.println("After foo");
}

如果你清楚为什么这个代码死机,你已经知道了大部分故事,并且可能会自己推断出其余部分.您最后可能只需浏览摘要部分.

Java静态初始化程序如何死锁？

让我们从这个故事的结尾开始：为什么Java代码会挂起？这是因为静态初始化程序的Java / JVM的两个保证(有关更多详细信息,请参阅JLS的12.4.2. Detailed Initialization Procedure部分)：

>静态初始化程序将在该类的任何其他“外部”使用之前运行
>静态初始化程序将只运行一次,并通过全局锁定完成

用于静态初始化程序的锁是由JVM隐式和管理的,但它存在.这意味着代码在逻辑上类似于以下内容：

class Deadlock {

    static boolean staticInitFinished = false;
    // unique value for each thread!
    static ThreadLocal<Boolean> currentThreadRunsStaticInit = ThreadLocal.withInitial(() -> Boolean.FALSE);


    static CompletableFuture<Integer> cf;
    static int foo;

    static void enforceStaticInit() {
        synchronized (Deadlock.class) {
            // is init finished?
            if (staticInitFinished)
                return;
            // are we the thread already running the init?
            if(currentThreadRunsStaticInit.get())
                return;
            currentThreadRunsStaticInit.set(true);

            cf = new CompletableFuture<Integer>();
            new Thread(new Runnable() {
                @Override
                public void run() {
                    calcF();
                }
            }).start();
            try {
                foo = cf.get();
                System.out.println("Future result = " + cf.get());
            } catch (InterruptedException e) {
                e.printStackTrace();
            } catch (ExecutionException e) {
                e.printStackTrace();
            }
            currentThreadRunsStaticInit.set(false);
            staticInitFinished = true;
        }
    }

    private static void calcF() {
        enforceStaticInit();
        cf.complete(42);
    }

    public static void printFoo() {
        enforceStaticInit();
        System.out.println("Print foo " + foo);
    }
}

现在很清楚为什么这个代码死锁：我们的静态初始化程序启动一个新线程并阻塞等待它的结果.但是新线程尝试访问同一个类(calcF方法)并且是另一个线程,它必须等待已经运行的静态初始化程序完成.请注意,如果calcF方法在另一个类中,一切都会正常工作.

Scala REPL的工作原理

现在让我们回到有关Scala REPL如何工作的故事的开头.这个答案是对真实交易的一个很大的简化,但它抓住了这种情况细节的重要性.幸运的是,对于REPL实现者,Scala编译器是用Scala编写的.这意味着REPL不必以某种方式解释代码,它可以通过标准编译器运行它,然后通过Java Reflection API运行编译的代码.这仍然需要对代码进行一些修改以使编译器满意并获得结果.

当你输入类似的东西时,简化它(或者好吧,很多)

val a = Par.lazyUnit(42 + 1)

进入REPL,代码被分析并转换成这样的东西：

package line3

object read {
    val a = Par.lazyUnit(42 + 1)
    val res3 = a
}

object eval {
    def print() = {
        println("a: Par.Par[Int] = " + read.res3)
    }
}

然后通过反射调用line3.eval.print().

类似的故事发生在：

val es: ExecutorService = Executors.newFixedThreadPool(2)

最后当你这样做

Par.fork(a)(es).get

事情变得更有趣,因为你依赖于以前使用导入巧妙实现的行：

package line5

object read {
    import line2.read.Par
    import line3.read.a
    import line4.read.es

    val res5 = Par.fork(a)(es).get
}

object eval {
    def print() = {
        println("res5: Int = " + read.res5)
    }
}

这里重要的是你写入REPL的所有内容都被包装成一个全新的对象,然后编译并作为通常的代码运行.

Scala如何在Java / JVM上模拟按名称参数

fork方法的定义使用by-name parameter：

def fork[A](a: => Par[A]): Par[A] =

在这里,它用于评估对于fork的整个逻辑至关重要的延迟. Java / JVM没有标准的延迟评估支持,但它可以被模拟,这就是Scala编译器所做的.在内部,签名被更改为使用Function0：

def fork[A](aWrapper: () => Par[A]): Par[A] =

并且每次访问a都会被调用aWrapper.apply()来代替.魔法的另一部分发生在带有by-name参数的方法的调用者端：参数也应该被包装到Function0中,所以代码就像

object read {
    import line2.read.Par
    import line3.read.a
    import line4.read.es

    val res5 = Par.fork(() => a)(es).get
}

但实际上它有点不同.天真地,这个小功能只需要另一个课程,这对于这样一个简单的逻辑感觉很浪费.在Scala 2.12的实践中,使用了Java 8 LambdaMetafactory的神奇之处,因此代码真的变得类似

object read {
    import line2.read.Par
    import line3.read.a
    import line4.read.es

    def aWrapper():Int = a

    val res5 = Par.fork(aWrapper _)(es).get
}

其中aWrapper _表示将方法转换为使用LambdaMetafactory完成的Funciton0.正如您可能从Java静态初始化程序死锁一章中所怀疑的那样,引入def aWrapper是一个至关重要的区别.您已经可以看到此代码与挂起的答案中的第一个Scala片段非常相似.

Scala如何编译Java / JVM上的对象

最后一部分是如何在Java / JVM中编译Scala对象.好吧它实际上被编译成类似于“静态类”的东西但是因为你可以使用object作为对象参数,所以它必须更复杂一些.实际上,所有初始化逻辑都被移动到对象类的构造函数中,并且有一个简单的静态初始化程序可以调用它.所以我们在Java中的最后一个读取对象(忽略导入)如下所示：

class read${
    static read$MODULE$

    static {
        new read$()
    }

    private Par[Int] res5;

    private read$() {
        MODULE$= this;
        res5 = Par.fork(read$::aWrapper)(es).get
    }

    private static int aWrapper(){
        return line3.read$.MODULE$.a;
    }
}

这里再次读取$:: aWrapper表示使用LambdaMetafactory构建一个Function0形式的aWrapper方法.换句话说,Scala对象的初始化被转换为作为Java静态初始化器的一部分运行的代码.

摘要

总结事情是如何搞砸的：

> REPL将您的代码转换为每行的新对象并进行编译>将对象初始化逻辑转换为Java静态初始化逻辑>在简单的情况下调用带有by-name参数的方法被转换为包装“返回值”逻辑的方法,并将该方法添加到同一个类或对象中> Par.fork作为对象初始化的一部分执行(即Java静态初始化程序的一部分)尝试在另一个线程上计算by-name参数(即在同一个类上调用该方法)并阻塞等待该线程的结果> Java静态初始化程序在全局锁下逻辑执行,因此它阻止调用该方法的不同线程.但它本身被阻止等待该方法调用完成.