前言

最近接到一个需求，批量上传图片到服务器及实时更新上传进度。当处理大量文件上传任务时，效率是一个关键因素。传统的串行方式会导致任务耗时较长，而使用并发处理可以极大地提高上传效率。想到很久之前用CompletableFuture优化过一些多统计的业务场景，效果都还不错，因此在这里也使用它来优化一下上传的效率。

CompletableFuture简介

CompletableFuture类是Java 8引入的，它实现了Future和CompletionStage接口，提供了更强大和灵活的异步编程功能。CompletableFuture除了具有Future的特性外，还提供了更多的操作和组合方式来处理异步任务。它可以更方便地处理异步任务，实现并发编程，并提供更好的异常处理和结果转换机制。在进行异步编程时，CompletableFuture是一个更为强大和推荐的选择。

主要特点：

1. 异步执行：允许将任务提交给后台线程，在任务执行期间不会阻塞主线程。这样可以提高应用程序的响应性能，特别是在处理I/O密集型操作时，如网络请求或数据库查询。

2. 链式调用和组合操作：支持链式调用，可以将多个异步任务按照顺序连接起来形成一个任务流水线。每个任务的执行依赖于前一个任务的结果，这种串行的处理方式可以简化异步任务的编写和管理。

3. 异常处理：提供了异常处理的机制，可以通过异常回调方法来捕获和处理任务执行过程中的异常情况。这样可以更好地控制和处理任务执行过程中的异常，提供更健壮的代码。

4. 转换和合并结果：提供了一系列的转换和合并操作，可以对任务的结果进行映射、转换和合并。这样可以方便地对任务的结果进行处理和转换，得到最终期望的结果。

5. 多任务并行执行：支持等待多个任务并行执行，并等待它们全部完成或任意一个完成。这种能力使得在处理并发任务时可以更好地利用系统资源，提高任务执行的效率。

串行和并行的效率对比

测试批量上传了1000张图片，每张图片在579KB，一共564MB。使用串行方式上传，总时长为501秒，使用并行方式上传，总时长是108秒，通过对比优化前后的代码，可以明显看出使用CompletableFuture并发处理方式的效率更高。由于任务是并行执行的，多核处理器的能力得到了充分的利用，从而大大提高了批量上传的速度。

串行处理方式

/**
 * describe: 批量上传图片
 *
 * @param files 图片文件集合
 * @param fileId 文件夹id
 * @param scheduleKey 上传进度key
 * @date 2023年06月28日 11:42:03
 * @author Tang
 */
@Override
public BatchUploadVO batchUpload2(MultipartFile[] files, Long fileId, String scheduleKey) {
	//取上传配置
	String jsonStr = CacheConfigure.getValue(CacheKeyConstant.IMG_RESOURCE_UPLOAD_CONFIG, String.class);
	ImgResourceUploadConfigDTO config = JSONObject.toJavaObject(JSONObject.parseObject(jsonStr), ImgResourceUploadConfigDTO.class);
	List<String> imgTypeList = Arrays.asList(config.getImgType().split(","));

	List<String> errorNames = Lists.newCopyOnWriteArrayList();
	String userName = SecurityAuthorHolder.getSecurityUser().getUsername();

	for(MultipartFile file : files){
		try {
			RedisUtil.setInteger(CacheKeyConstant.UPLOAD_SCHEDULE_TOTAL + scheduleKey, files.length, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
			String suffix = Objects.requireNonNull(file.getOriginalFilename()).substring(file.getOriginalFilename().lastIndexOf(".") + 1);
			ServerException.Assert(!imgTypeList.contains(suffix), "文件格式不正确,支持" + String.join(",", imgTypeList));
			ServerException.Assert(file.getSize() > config.getMaxSize() * 1024, "文件最大不能超过" + config.getMaxSize() + "K");
			//上传
			ImgResourceEntity saveData = upload(file, config);
			saveData.setFileId(fileId);
			saveData.setCreator(userName);
			baseMapper.insert(saveData);
			//缓存自增  供轮询查询实时进度
			RedisUtil.incrementValue(CacheKeyConstant.UPLOAD_SCHEDULE_SUCCESS + scheduleKey, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
		} catch (Exception e) {
			errorNames.add(file.getOriginalFilename());
			RedisUtil.incrementValue(CacheKeyConstant.UPLOAD_SCHEDULE_ERROR + scheduleKey, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
		}
	}

	BatchUploadVO vo = schedule(scheduleKey);
	vo.setErrFileNames(errorNames);
	return vo;
}

串行处理调用时间

并行处理方式

/**
 * describe: 批量上传图片
 *
 * @param files 图片文件集合
 * @param fileId 文件夹id
 * @param scheduleKey 上传进度key
 * @date 2023年06月28日 11:42:03
 * @author Tang
 */
@Override
public BatchUploadVO batchUpload(MultipartFile[] files, Long fileId, String scheduleKey) {
	ExecutorService executor = Executors.newFixedThreadPool(10);

	//取上传配置
	String jsonStr = CacheConfigure.getValue(CacheKeyConstant.IMG_RESOURCE_UPLOAD_CONFIG, String.class);
	ImgResourceUploadConfigDTO config = JSONObject.toJavaObject(JSONObject.parseObject(jsonStr), ImgResourceUploadConfigDTO.class);
	List<String> imgTypeList = Arrays.asList(config.getImgType().split(","));

	List<String> errorNames = Lists.newCopyOnWriteArrayList();
	String userName = SecurityAuthorHolder.getSecurityUser().getUsername();

	CompletableFuture<Void> allFutures = CompletableFuture.allOf(
			Arrays.stream(files).map(v ->
					CompletableFuture.runAsync(
							() -> {
								try {
									RedisUtil.setInteger(CacheKeyConstant.UPLOAD_SCHEDULE_TOTAL + scheduleKey, files.length, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
									String suffix = Objects.requireNonNull(v.getOriginalFilename()).substring(v.getOriginalFilename().lastIndexOf(".") + 1);
									ServerException.Assert(!imgTypeList.contains(suffix), "文件格式不正确,支持" + String.join(",", imgTypeList));
									ServerException.Assert(v.getSize() > config.getMaxSize() * 1024, "文件最大不能超过" + config.getMaxSize() + "K");
									//上传
									ImgResourceEntity saveData = upload(v, config);
									saveData.setFileId(fileId);
									saveData.setCreator(userName);
									baseMapper.insert(saveData);
									//缓存自增  供轮询查询实时进度
									RedisUtil.incrementValue(CacheKeyConstant.UPLOAD_SCHEDULE_SUCCESS + scheduleKey, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
								} catch (Exception e) {
									errorNames.add(v.getOriginalFilename());
									RedisUtil.incrementValue(CacheKeyConstant.UPLOAD_SCHEDULE_ERROR + scheduleKey, CacheTimeConstant.BATCH_UPLOAD_EXPIRED_TIME);
								}
							}, executor)
			).toArray(CompletableFuture[]::new)
	);
	// 等待所有 CompletableFuture 完成
	allFutures.join();

	// 关闭线程池
	executor.shutdown();

	BatchUploadVO vo = schedule(scheduleKey);
	vo.setErrImgFileNames(errorNames);
	return vo;
}

 并行调用处理时间

实现过程中的注意事项

1. 线程池的使用：为了实现并发处理，可以使用线程池来管理并执行异步任务。通过合理设置线程池的大小和参数，可以控制并发线程的数量和资源的利用率。

2. 异常处理：在并发处理中，每个任务都是独立执行的，因此需要适当处理任务中可能出现的异常情况，避免异常的影响扩散。

3. 进度更新：为了实时更新上传进度，可以将每个任务的进度信息保存到Redis中，并在前端通过轮询查询的方式获取最新的进度信息。

4. 线程安全：确保上传逻辑的线程安全性，避免多线程环境下的竞态条件和数据一致性问题。

总结

使用CompletableFuture来优化批量上传任务是一种高效且灵活的方式。通过并发处理，我们可以充分利用多核处理器的能力，提高任务的执行效率。同时，通过实时更新上传进度并返回总体的上传结果，可以给用户更好的体验。
在实现过程中，我们需要合理使用线程池、处理异常、保证数据同步和线程安全，以确保上传任务的稳定性和性能。同时，我们还可以利用CompletableFuture提供的方法来处理任务的结果、异常和其他相关操作，以满足具体的业务需求。
通过使用CompletableFuture进行批量上传任务的优化，可以显著提高系统的性能和用户体验，适用于需要处理大量并发任务的场景。