好程序员分享大数据教程之线程高级部分

好程序员分享大数据教程之线程高级部分,首先讲一下线程的生命周期

对于一个线程, 在被创建后, 不是立即就进入到了运行状态, 也不是一直处于运行状态, 在线程的声明周期中, 一个线程会在多种状态之间进行切换

new : 新生状态, 线程被实例化, 但是还没有开始执行(start)

runnable: 就绪状态, 已经执行过start, 线程已经启动了, 只是没有抢到CPU时间片

running: 运行状态, 抢到了CPU时间片

blocked: 阻塞状态, 线程执行的过程中, 遇到一些特殊情况, 会进入阻塞状态. 阻塞中的线程, 是不能参数时间片的抢夺的 (不能被线程调度器调度)

dead: 死亡状态, 线程终止

? 正常死亡 : run方法中的代码执行结束

? 非正常死亡 : 强制使用stop方法停止这个线程

临界资源问题

由于线程之间是资源共享的。如果有多个线程,同时对一个数据进行操作,此时这个数据会出现问题。

如果有一个线程在访问一个临界资源,在访问之前,先对这个资源“上锁”,此时如果有其他的线程也需要访问这个临界资源,需要先查这个资源有没有被上锁,如果没有被上锁,此时这个线程可以访问这个资源;如果上锁了,则此时这个线程进入阻塞状态,等待解锁。

同步代码段


// 同步代码段

// 小括号:就是锁

// 大括号:同步代码段,一般情况下,写需要对临界资源进行的操作

synchronized () {

}

// 关于同步锁:可以分成两种:对象锁、类锁

//

同步方法


// 使用synchronized关键字修饰的方法就是同步方法

// 将一个方法中所有的代码进行一个同步

// 相当于将一个方法中所有的代码都放到一个synchronized代码段中

// 同步方法的锁:

// 1. 如果这个方法是一个非静态方法:锁是this

// 2. 如果这个方法是一个静态方法:锁是类锁(当前类.class)

private synchronized void sellTicket() {

}

lock与unlock

就是一个类RenntrantLock

线程死锁(了解)

在解决临界资源问题的时候,我们引入了一个"锁"的概念。我们可以用锁对一个资源进行保护。实际,在多线程的环境下,有可能会出现一种情况:

假设有A和B两个线程,其中线程A持有锁标记a,线程B持有锁标记b,而此时,线程A等待锁标记b的释放,线程B等待锁标记a的释放。这种情况,叫做 死锁

生产者消费者设计模式

wait() 、notify() 、notifyAll()

wait(): 等待。使得当前的线程释放锁标记,进入等待队列。可以使当前的线程进入阻塞状态。

notify(): 唤醒,唤醒等待队列中的一个线程。

notifyAll(): 唤醒,唤醒等待队列中所有的线程。

wait和sleep的区别:

  1. 两个方法都可以使一个线程进入阻塞。
  2. 区别:wait方法会释放锁标记,sleep则不会释放锁标记。

懒汉式单例设计模式中的线程安全问题

线程池

ThreadPoolExecutor类是线程池最核心的类。这个类的构造方法中的几个参数:

int corePoolSize: 核心线程数量。核心池大小。

int maxmiunPoolSize: 线程池中最多的线程数量。

long keepAliveTime: 核心线程之外的临时线程,能存活的时间。(从这个线程空闲的时候开始算)

TimeUnit unit: 上面的时间单位

? NANOSECONDS: 纳秒

? MICROSECONDS: 微秒

? MILLISEONDS: 毫秒

? SECONDS: 秒

? MINUTES: 分

? HOURS: 时

? DAYS: 天

BlockingQueue<Runnable> workQueue: 等待队列

? ArrayBlockingQueue

? LinkedBlockingQueue

? SynchronousQueue

RejectedExecutionHandler handler:拒绝访问策略

预习方向:

  1. 网络编程
  2. TCP
  3. UDP

原文地址:https://blog.51cto.com/14573321/2457241

时间: 2024-08-10 12:46:54

好程序员分享大数据教程之线程高级部分的相关文章

Java程序员转行大数据的优势

大数据时代,中国IT环境也将面临重新洗牌,不仅仅是企业,更是程序员们转型可遇而不可求的机遇. 国内大多数大型互联网公司的程序员被称作研发工程师,但实际上国内几乎没有研发项目,只能叫做开发.开发程序员的工作大多是重复性劳动,容易产生疲惫感,薪资在工作2-5年内就达到了一个峰值,再要提升就比较困难,这样就导致了很多程序员最终转行做了其他行业. JAVA的精密,强大,拥有其它语言不可替代的性能和可维护性,早已经是成为最受欢迎的编程语言之一,很多人想进入IT行业,首选的第一门语言就是JAVA.但是,在未

程序员转行大数据开发的重要【筹码】之一,掌握后最少能获得月薪20K

Hadoop由GNU / Linux平台及其版本支持.因此,我们必须安装一个Linux操作系统来设置Hadoop环境.如果您有除Linux以外的操作系统,您可以在其中安装Virtualbox软件,并在Virtualbox内部安装Linux. 分享之前我还是要推荐下我自己创建的大数据学习资料分享群 458345782,这是全国最大的大数据学习交流的地方,2000人聚集,不管你是小白还是大牛,小编我都挺欢迎,不定期分享干货,欢迎初学和进阶中的小伙伴. 安装前设置 在将Hadoop安装到Linux环境

程序员转行大数据需要具备什么能力?

大家都说"我要做大数据", 然后"你想象中的做大数据到底是做什么?",大多数人往往说不出来. 显然,对于大数据行业的生态,未来大数据领域都有哪些发展机会.不同岗位需要具备什么能力,很多人都不了解. 大数据业务流程有4个基本环节,分别是业务理解.数据准备.数据挖掘.分析应用.在这个流程里有三个职能领域:大数据系统研发,承担整个运营系统的构建与维护.数据准备.平台与工具开发;大数据挖掘,负责关键模型应用与研究工作;大数据分析应用:既是外部需求的接入者,也是解决方案的输出

好程序员大数据教程分享Scala系列之Option_偏函数_String

好程序员大数据教程分享Scala系列之Option_偏函数_StringOption类型在Scala中Option类型样例类用来表示可能存在或也可能不存在的值(Option的子类有Some和None).Some包装了某个值,None表示没有值. object OptionDemo {def main(args: Array[String]) {val map = Map("a" -> 1, "b" -> 2)val v = map.get("b

好程序员大数据教程分享Scala系列之模式匹配和样例类

好程序员大数据教程分享Scala系列之模式匹配和样例类1.样例类在Scala中样例类是一中特殊的类,样例类是不可变的,可以通过值进行比较,可用于模式匹配.定义一个样例类:1.构造器中每一个参数都是val,除非显示地声明为var 2.伴生对象提供apply ,让你不使用new关键字就能构造出相应的对象case class Point(x: Int, y: Int)创建样例类对象:val point = Point(1, 2)val anotherPoint = Point(1, 2)val yet

好程序员分享自学大数据入门干货

首先,提及大数据一词的概念.大数据本质还在于数据,但是它有着新的特征亮点.包括:数据来源广,数据格式多样化(结构化数据.非结构化数据.Excel文件.文本文件等).数据量大(最少也是TB级别的.甚至可能是PB级别).数据增长速度快等等. 扩展讲大数据的4个基本特征,我们将进行下面额思考: 1.数据来源广? 广泛的数据来源从何而来,通过何种方式进行采集与汇总?相对应的我们出现Sqoop, Cammel,Datax等工具. 在这里还是要推荐下我自己建的大数据学习交流群:529867072,群里都是学

好程序员大数据教程Scala系列之样例类_Option_偏函数

好程序员大数据教程Scala系列之样例类_Option_偏函数,在Scala中Option类型样例类用来表示可能存在或也可能不存在的值(Option的子类有Some和None).Some包装了某个值,None表示没有值. object?OptionDemo {??def?main(args: Array[String]) {????val?map = Map("a"?-> 1, "b"?-> 2)????val?v = map.get("b&q

老李分享大数据生态圈

老李分享大数据生态圈 大数据本身是个很宽泛的概念,Hadoop生态圈(或者泛生态圈)基本上都是为了处理超过单机尺度的数据处理而诞生的.你可以把它比作一个厨房所以需要的各种工具.锅碗瓢盆,各有各的用处,互相之间又有重合.你可以用汤锅直接当碗吃饭喝汤,你可以用小刀或者刨子去皮.但是每个工具有自己的特性,虽然奇怪的组合也能工作,但是未必是最佳选择.         大数据,首先你要能存的下大数据. 传统的文件系统是单机的,不能横跨不同的机器.HDFS(Hadoop Distributed FileSy

老李分享大数据生态圈 1

老李分享大数据生态圈 大数据本身是个很宽泛的概念,Hadoop生态圈(或者泛生态圈)基本上都是为了处理超过单机尺度的数据处理而诞生的.你可以把它比作一个厨房所以需要的各种工具.锅碗瓢盆,各有各的用处,互相之间又有重合.你可以用汤锅直接当碗吃饭喝汤,你可以用小刀或者刨子去皮.但是每个工具有自己的特性,虽然奇怪的组合也能工作,但是未必是最佳选择.         大数据,首先你要能存的下大数据. 传统的文件系统是单机的,不能横跨不同的机器.HDFS(Hadoop Distributed FileSy