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。

(资料图)

主要特点：

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。

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。

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。

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。

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。

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 */@Overridepublic 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 imgTypeList = Arrays.asList(config.getImgType().split(","));List 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 */@Overridepublic 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 imgTypeList = Arrays.asList(config.getImgType().split(","));List errorNames = Lists.newCopyOnWriteArrayList();String userName = SecurityAuthorHolder.getSecurityUser().getUsername();CompletableFuture 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

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。

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。

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。

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。

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。