JAVA线程池

线程池详解

ThreadPoolExecutor

ThreadPoolExecutor是最灵活的一个线程池，用户可以根据实际需要通过多个参数配置出合适的线程池。构造方法如下：

ThreadPoolExecutor(int corePoolSize, int maximumPoolSize, long keepAliveTime, TimeUnit unit, BlockingQueue<Runnable> workQueue, RejectedExecutionHandler handler)

参数说明

参数名	说明
corePoolSize	线程池维护线程的最少数量。线程池至少会保持改数量的线程存在，即使没有任务可以处理。（注意：这里说的至少是指线程达到这个数量后，即使有空闲的线程也不会释放，而不是说线程池创建好之后就会初始化这么多线程）
maximumPoolSize	线程池维护线程的最大数量。线程池最多可创建的线程数，即使队列中的任务满了线程数量也不会超过maximumPoolSize
keepAliveTime	线程池维护线程所允许的空闲时间。当线程池中的线程数量大于 corePoolSize时，超过corePoolSize的线程如果空闲时间超过keepAliveTime，线程将被终止
unit	线程池维护线程所允许的空闲时间的单位，和keepAliveTime配合使用
workQueue	线程池所使用的缓冲队列。ArrayBlockingQueue，LinkedBlockingQueue，SynchronousQueue，PriorityBlockingQueue
handler	线程池对拒绝任务的处理策略。AbortPolicy，CallerRunsPolicy，DiscardOldestPolicy，DiscardPolicy，自定义

各类型队列说明

队列类型	特性及使用场景
ArrayBlockingQueue	有界队列，FIFO，需要指定队列大小，如果队列满了，会触发线程池的RejectedExecutionHandler逻辑
LinkedBlockingQueue	无界队列，FIFO，可以无限向队列中添加任务，直到内存溢出
SynchronousQueue	一种阻塞队列，其中每个 put 必须等待一个 take，反之亦然。同步队列没有任何内部容量，甚至连一个队列的容量都没有。可以简单理解为是一个容量只有1的队列。Executors.newCachedThreadPool使用的是这个队列
PriorityBlockingQueue	优先级队列，线程池会优先选取优先级高的任务执行，队列中的元素必须实现Comparable接口

RejectedExecutionHandler类型

RejectedExecutionHandler	特性及效果
AbortPolicy	线程池默认的策略，如果元素添加到线程池失败，会抛出RejectedExecutionException异常
DiscardPolicy	如果添加失败，则放弃，并且不会抛出任何异常
DiscardOldestPolicy	如果添加到线程池失败，会将队列中最早添加的元素移除，再尝试添加，如果失败则按该策略不断重试
CallerRunsPolicy	如果添加失败，那么主线程会自己调用执行器中的execute方法来执行改任务
自定义	如果觉得以上几种策略都不合适，那么可以自定义符合场景的拒绝策略。需要实现RejectedExecutionHandler接口，并将自己的逻辑写在rejectedExecution方法内。

如果还不是特别清除这几种拒绝策略的含义和使用场景，可以参考这篇文章：http://blog.csdn.net/jgteng/article/details/54411423

如果觉得ThreadPoolExecutor参数太多太复杂，java也提供了几种便捷的创建线程池的方式：

线程池类型	说明
Executors.newFixedThreadPool	创建固定线程数的线程池，使用的是LinkedBlockingQueue无界队列
Executors.newSingleThreadExecutor	创建只有一个线程的线程池，使用的也是LinkedBlockingQueue无界队列
Executors.newCachedThreadPool	改线程池使用的是SynchronousQueue，如果其创建的线程空闲时间超过60s会自动销毁

大家在使用的时候选择合适的线程池来使用，但是在使用包含无界队列LinkedBlockingQueue的时候，要注意是否会导致队列不断增长，导致内存溢出。使用SynchronousQueue的时候要注意是否会导致线程数不断增长。总之，在使用线程池的时候要仔细考虑斟酌一下，特别是数据量大的场景下。