nodejs多线程编程示例

在之前的博文《不要说不可能，在nodejs中实现睡眠》中，我给大家介绍了nodejs插件的用法。今天的话题是addon，它将继续挖掘c/c的能力，弥补nodejs的弱点。

我已经多次提到nodejs的性能问题。其实就语言本身而言，nodejs的性能还是很高的。虽然不如大多数静态语言，但差距不大；与其他动态语言相比，速度优势明显。但是为什么我们经常说nodejs不能胜任CPU密集型的场景呢？由于单线程的特点，对于CPU密集型的场景，无法充分利用CPU。计算机科学中有一个著名的阿姆达尔定律：

假设总工作量为W，可以分为两部分：只能串行计算的Ws和允许并行计算的Wp。然后，在p CPUs并行计算的情况下，可以通过加速时间来提高性能。阿姆达尔定律描述了什么可以并行完成，什么不能并行完成。这是一个理想的情况，实际情况会复杂得多。比如并发很可能会造成资源的竞争，需要添加各种锁，往往会让并行等待；并发还会给操作系统调度和切换线程带来额外的时间成本，增加Ws。然而，当一个任务中的Wp远大于Ws，并且有多个CPU内核可用时，并行带来的性能提升是相当可观的。

好吧，回到nodejs。我们设想一个计算场景：计算4000000以内的素数。这个场景在编程实现时，主要是基于除法运算，不涉及内存、对象等操作。理论上可以保证nodejs运行速度比较快，不会比C落后太多，便于比较。

本博客提供了javascript查找质数的方法，直接复制：

复制代码如下：函数zhi Shu _ js(num){ if(num==1){ return false；} if(num==2){ return true；} for(var I=2；I=Math . sqrt(num)；I){ if(num % I==0){ return false；} }返回true}

再写一个c语言版本：复制代码如下：#include math.h

bool zhi Shu(int num){ if(num==1){ return false；} if(num==2){ return true；} for(int I=2；I=sqrt(num)；I){ if(num % I==0){ return false；} }返回true};

在nodejs中，我们使用从1到4000000的循环来检索素数；在C语言中，我们设置了几个线程，并将计数定义为400000。每个线程都要做以下操作：如果count大于0，则取出计数值，计算是否为素数，将count减1。按照这个思路，javascript版本很容易写：复制代码如下： var count=0；

for(j=1；4000000j；j){ if(zhi Shu(j)){ count；}}

关键难点是C语言的多线程编程。早期的c/c没有考虑并行计算的需求，所以标准库没有提供多线程支持。不同的操作系统通常有不同的实现。为了避免这个麻烦，我们使用pthread来处理线程。

下载最新版本的pthread。因为不熟悉gyp，link长期依赖lib。最后，我的方法是直接将pthread的源代码放在项目目录中，在binding.gyp中的源代码列表中添加pthread.c，在编译项目时编译一次pthread。修改后的binding.gyp是这样的：复制的代码如下： { ' targets ' :[{ ' target _ name ' : ' hello '，' sources' : ['hello.cc '，' pthreads/pthread.c']，' include _(node-e ' require(' nan ' \ '))'，' pthreads' ]，' libraries ' :[' Ws2 _ 32 . lib ']} }

当然，我的方法很麻烦。如果你只在pthread中添加lib和include目录的引用，并且没有依赖问题，那是最好的，所以没必要用我的方法。

然后，输入关于C/C多线程的一切，定义一个线程处理函数：复制代码如下：pthread _ mutex _ t lock

void * thread _ p(void * null){ int num，x=0；do{ pthread_mutex_lock(锁定)；num=count-；pthread_mutex_unlock(锁定)；if(num 0){ if(zhi Shu(num))x；} else { break} } while(true)；std:cout ' ' xpthread_exit(空)；返回null}

线程之间，变量计数是相互竞争的，所以我们需要保证只有一个线程可以同时操作变量计数。我们传递pthread_mutex_t锁；添加互斥体。执行pthread_mutex_lock(锁)时；线程检查锁，如果被锁定，则等待并重复检查，以阻止后续代码运行；如果锁被释放，锁定它并执行后续代码。相应地，pthread_mutex_unlock(锁定)；是解锁状态。

因为编译器是在编译的同时进行编译优化的，如果一条语句没有显式地做什么，对其他语句的执行没有影响，那么它就会被编译器优化。在上面的代码中，我添加了计算质数的代码，如果没有，代码如下：复制代码如下： for(int j=0；4000000j；j){ zhi Shu(j)；}

被编译器直接跳过，实际上不会运行。

介绍了添加插件的编写方法。我们实现从javascript中接收一个参数，指示线程数，然后在C中创建指定数量的线程，完成素数检索。完整代码：复制的代码如下： # include an . h # include eash . h # include eaiostream # include ' pthreads \ pthread . h ' # define max _ thread 100使用命名空间V8；

int count=4000000pthread _ t tid[MAX _ THREAD]；pthread_mutex_t锁；

void * thread _ p(void * null){ int num，x=0；do{ pthread_mutex_lock(锁定)；num=count-；pthread_mutex_unlock(锁定)；if(num 0){ if(zhi Shu(num))x；} else { break} } while(true)；std:cout ' ' xpthread_exit(空)；返回null}

NAN _ METHOD(Zhishu){ NanScope()；pthread_mutex_init(锁，空)；double arg 0=args[0]-NumberVaLue()；int c=0；for(int j=0；j arg0 jMAX _ THREADj ) { pthread_create(tid[j]，NULL，thread_p，NULL)；} for(int j=0；j arg0 jMAX _ THREADj ) { pthread_join(tid[j]，NULL)；} NanReturnUndefined()；}

void Init(HandleObject exports){ exports-Set(NanSymbol(' Zhishu ')，function template : new(Zhishu)-GetFunction())；}

NODE_MODULE(你好，Init)；

Phread_create可以创建一个线程，默认情况下是可以连接的。此时子线程服从主线程；Phread_join阻塞主线程，等待子线程加入，直到子线程退出。如果子线程已经退出，phread_join将什么也不做。因此，在所有线程上执行thread_join可以确保所有线程在主线程继续之前退出。

改进nodejs脚本：复制代码如下：varzhishu _ c=require('。/build/release/hello.node ')。致书；函数zhi Shu(num){ if(num==1){ return false；} if(num==2){ return true；} for(var I=2；I=Math . sqrt(num)；I){ if(num % I==0){ return false；} }返回true}

console . time(' c ')；智书_ c(100)；console . timeend(' c ')；

console . time(' js ')；var计数=0；for(j=1；4000000j；j){ if(zhi Shu(j)){ count；}}console.log(计数)；console . timeend(' js ')；

看看测试结果：

在单线程中，虽然C/C的运行速度是nodejs的181%，但这个成绩在动态语言中还是很不错的。速度提升最明显的是在双线程的情况下，因为我的电脑是双核四线程的CPU，此时有可能使用两个内核进行处理。4个线程，这应该是双核四个线程所能达到的极限。当线程数再次增加时，速度就无法再提高了。在上面的Amdahl定律中，p已经达到了4的上限。添加更多线程将增加操作系统进程的调度时间和锁定时间。虽然也能增加对CPU时间的竞争，但总体来说，Ws的增加比较明显，性能在下降。如果我们在空闲机器上做这个实验，数据会更好。

从这个实验中，我们可以得出结论，对于CPU密集型的操作，将它们交给静态语言会大大提高效率。如果计算中涉及更多的内存、字符串、数组、递归等操作(后面会验证)，性能会更加惊人。同时，合理使用多线程可以有效提高处理效率，但并不是线程越多越好。应根据机器情况合理配置。

Nodejs本身确实不擅长处理CPU密集型的任务，但是以本文的经验，我认为克服这个障碍也不是不可能的。