前言：

事情是這樣的：運營人員反饋，通過Excel導入數(shù)據(jù)時，有一部分成功了，有一部分未導入。初步猜測，是事務未生效導致的。查看代碼，發(fā)現(xiàn)導入部分已經(jīng)通過@Transcational注解進行事務控制了，為什么還會出現(xiàn)事務不生效的問題呢？下面我們就進行具體的案例分析，Let's go!

事務不生效的代碼

這里寫一段簡單的偽代碼來演示展示一下事務不生效的代碼：

  @Transactional(rollbackFor = Exception.class)
  public void batchInsert(List<Order> list) {
    list.parallelStream().forEach(order -> orderMapper.save(order));
  }

邏輯很簡單，遍歷list，然后批量插入Order數(shù)據(jù)到數(shù)據(jù)庫。在該方法上使用@Transactional來聲明出現(xiàn)異常時進行回滾。

但事實情況是，其中某一條數(shù)據(jù)執(zhí)行異常時，事務并沒有進行回滾。這到底是為什么呢？

下面一探究竟。

JDK 8 的Stream

上面代碼中涉及到了兩個知識點：parallelStream和@Transactional，我們先來鋪墊一下parallelStream相關知識。

在JDK8 中引入了Stream API的概念和實現(xiàn)，這里的Stream有別于 InputStream 和OutputStream，Stream API 是處理對象流而不是字節(jié)流。

比如，我們可以通過如下方式來基于Stream進行實現(xiàn)：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9); 
numbers.stream().forEach(num->System.out.println(num));

輸出：1 2 3 4 5 6 7 8 9

代碼看起來方便清爽多了。

關于Stream的基本處理流程如下：

在這些Stream API中，還提供了一個并行處理的API，也就是parallelStream。它可以將任務拆分子任務，分發(fā)給多個處理器同時處理，之后合并。這樣做的目的很明顯是為了提升處理效率。

parallelStream的基本使用方式如下：

// 并行執(zhí)行流
list.stream().parallel().filter(e -> e > 10).count()

針對上述代碼，對應的流程如下：

而parallelStream會將流劃分成多個子流，分散到不同的CPU并行處理，然后合并處理結(jié)果。其中，parallelStream默認是基于ForkJoinPool.commonPool()線程池來實現(xiàn)并行處理的。

通常情況下，我們可以認為并行會比串行快，但還是有前提條件的：

• 處理器核心數(shù)量：并行處理核心數(shù)越多，處理效率越高；
• 處理數(shù)據(jù)量：處理數(shù)據(jù)量越大優(yōu)勢越明顯；

但并行處理也面臨著一系列的問題，比如：資源競爭、死鎖、線程切換、事務、可見性、線程安全等問題。

@Transactional事務處理

上面了解了parallelStream的基本原理及特性之后，再來看看@Transactional的事務處理特性。

@Transactional是Spring提供的基于注解的一種聲明式事務方式，該注解只能運用到public的方法上。

基本原理：當一個方法被@Transactional注解之后，Spring會基于AOP在方法執(zhí)行之前開啟一個事務。當方法執(zhí)行完畢之后，根據(jù)方法是否報錯，來決定回滾或提交事務。

在默認代理模式下，只有目標方法由外部方法調(diào)用時，才能被Spring的事務攔截器攔截。所以，在同一個類中的兩個方法直接調(diào)用，不會被Spring的事務攔截器攔截。這是事務不生效的一個場景，但在上述案例中，并不存在這種情況。

Spring在處理事務時，會從連接池中獲得一個jdbc connection，將連接綁定到線程上（基于ThreadLocal），那么同一個線程中用到的就是同一個connection了。具體實現(xiàn)在DataSourceTransactionManager#doBegin方法中。

Bug綜合分析

在了解了parallelStream和@Transactional的相關知識之后，我們會發(fā)現(xiàn)：parallelStream處理時開啟了多線程，而@Transactional在處理事務時會（基于ThreadLocal）將連接綁定到當前線程，由于@Transactional綁定管理的是主線程的事務，而parallelStream開啟的新的線程與主線程無關。因此，事務也就無效了。

此時，將parallelStream改為普通的stream，事務可正常回滾。這就提示我們，在使用基于@Transactional方式管理事務時，慎重使用多線程處理。

問題拓展

雖然parallelStream帶來了更高的性能，但也要區(qū)分場景進行使用。即便是在不需要事務管理的情況下，如果parallelStream使用不當，也會造成同一時間對數(shù)據(jù)庫發(fā)起大量請求等問題。

因此，在stream與parallelStream之間進行選擇時，還要考慮幾個問題：

• 是否需要并行？數(shù)據(jù)量比較大，處理器核心數(shù)比較多的情況下才會有性能提升。
• 任務之間是否是獨立的，是否會引起任何競態(tài)條件？比如：是否共享變量。
• 執(zhí)行結(jié)果是否取決于任務的調(diào)用順序？并行執(zhí)行的順序是不確定的。

小結(jié)

文章講述的Bug雖然簡單，但如果不了解parallelStream與@Transactional注解的特性，還是很難排查的。而且也讓我們意識到，雖然Spring通過@Transactional將事務管理進行了簡化處理，但作為開發(fā)者，還是需要深入了解一下它的基本運作原理。不然，在排查bug時，很容易踩坑。

到此這篇關于并行Stream與Spring事務相遇會發(fā)生什么?的文章就介紹到這了,更多相關 Stream與Spring 內(nèi)容請搜索腳本之家以前的文章或繼續(xù)瀏覽下面的相關文章希望大家以后多多支持腳本之家！

最新評論