java - 在REPL中的Scala中具有java.util.concurrent._的死锁

Question

我在学习Paul Chiusano和Runar Bjanarson的著作“Scala中的函数编程”(第7章-纯函数并行性)时遇到了以下情况。

    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

}

您可以在Github here上找到原始代码。有关java.util.concurrent文档，请参见 here。

我关注 fork的实现。特别地，当ThreadPool太小时，据称 fork可能导致死锁。

我考虑以下示例:

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

我不希望这个示例最终陷入僵局，因为有两个线程。但是，当我在Scala REPL中运行它时，它将在我的计算机上运行。为什么会这样呢？

初始化 ExecutorService时的输出为
es:java.util.concurrent.ExecutorService =

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

pool size = 0在这里正确吗？换句话说，这是不了解 java.util.concurrent._的问题还是不了解Scala部分的问题？

Answer 1

好吧，经过长时间的调查，我相信我会回答。完整的故事很长，但是我将尝试通过简化和避免许多细节来缩短它。

注意:可以将Scala编译为各种不同的目标平台，但是这个特定问题发生在以Java/JVM为目标的情况下，因此这就是此答案的内容。

您看到的死锁与线程池的大小无关。实际上是挂起的外部fork调用。它与REPL实现细节和多线程结合在一起，但是需要学习一些知识才能理解它是如何发生的:

Scala REPL如何工作

Scala如何将object编译为Java/JVM

Scala如何在Java/JVM上模拟名称参数

Java/JVM如何运行类

的静态初始化程序

一个简短的版本(另请参见 摘要结尾)是该代码卡在REPL之下，因为在REPL执行该代码时，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");
}

如果您清楚此代码为何会陷入僵局，那么您已经了解了大部分内容，并且可以自己推断出其余内容。您可能只需要看一下最后的 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代码挂起？发生这种情况是因为Java/JVM对静态初始化程序有两个保证(有关更多详细信息，请参见JLS的 12.4.2. Detailed Initialization Procedure部分):

静态初始化程序将在对

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

静态初始化程序使用的锁是隐式的，由JVM管理，但在那里。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);
    }
}

现在很清楚为什么此代码会死锁:我们的静态初始化程序启动一个新线程并阻止等待其结果。但是，该新线程尝试访问相同的类( calcF方法)，并且作为另一个线程，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，那么一切都会正常进行。

Scala REPL的工作方式

现在让我们回到有关Scala REPL如何工作的故事的开始。这个答案是对实际交易的极大简化，但是它捕获了有关此情况的详细信息的重要信息。幸运的是，对于REPL实现者来说，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，然后通过Java Reflection API运行已编译的代码。这仍然需要对代码进行一些修饰，以使编译器满意并返回结果。

当您键入类似的内容时，可以稍微简化一下(或者很多)

val a = Par.lazyUnit(42 + 1)

到REPL中，对代码进行分析并将其转换为类似以下内容的代码:

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

事情变得更加有趣了，因为您对前面的行有依赖性，可以使用 import巧妙地实现它:

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)
    }
}

在这里的 重要之处在于，您写入REPL的所有内容都被包装到全新的object中，然后作为常规代码进行编译和运行。

Scala如何在Java/JVM上模拟名称参数
fork方法的定义使用by-name parameter:

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

在这里，它用于懒惰地评估a，这对于fork的整个逻辑至关重要。 Java/JVM不对延迟评估提供标准支持，但是可以对其进行仿真，这就是Scala编译器的作用。在内部将签名更改为使用Function0:

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

每次对a的访问都将替换为对aWrapper.apply()的调用。魔术的另一部分发生在带有by-name参数的方法的调用方:该参数也应该包装在Function0中，这样代码就变成了类似

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

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

但这实际上有点不同。天真的，只为这个小功能要花一个类，而对于这样一个简单的逻辑来说，这是浪费的。在Scala 2.12中的实践中，使用了Java 8 LambdaMetafactory的魔力，因此代码的确变成了类似

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Funciton0完成的LambdaMetafactory。您可能会在Java静态初始化程序死锁一章中对此有所怀疑，def aWrapper的引入是的关键区别。您已经可以看到该代码与挂起的答案中的第一个Scala代码段非常相似。

Scala如何在Java/JVM上编译object

最后一个难题是如何在Java/JVM中编译Scala object。好吧，实际上它被编译为类似于“静态类”的东西，但是由于您可以将object用作对象参数，因此它必须稍微复杂一些。实际上，所有初始化逻辑都移至object类的构造函数，并且有一个简单的静态初始化程序对其进行调用。因此，我们在Java中最后一个read对象将(忽略import)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read$::aWrapper再次表示使用Function0从aWrapper方法构建LambdaMetafactory。换句话说，Scala object 的 初始化被转换为作为Java静态初始化程序 的一部分运行的代码。

摘要

总结一下如何弄糟:

REPL将您的代码转换为每行的新object并对其进行编译

object初始化逻辑被翻译成Java静态初始化逻辑

在简单情况下，将带有名字参数的方法的

调用转换为包装“返回值”逻辑的方法，并将该方法添加到相同的class或object

中
作为Par.fork初始化的一部分(即Java静态初始化程序的一部分)执行的

object尝试在不同的线程上评估by-name参数(即，调用同一类的方法)，并阻止等待结果的执行。该线程

Java静态初始化程序在逻辑上在全局锁下执行，因此它阻止了不同的线程调用该方法。但是它本身被阻止等待该方法调用完成。