线程管理#

另请参阅

线程池#

许多 Arrow C++ 操作将工作分布在多个线程上，以利用底层硬件的并行性。例如，当读取 Parquet 文件时，我们可以并行解码每一列。为此，我们将任务提交给某种执行器。

在 Arrow C++ 中，我们使用线程池进行并行调度，并在用户请求串行执行时使用事件循环。用户可以提供自己的自定义实现，但这属于高级概念，此处不作介绍。

CPU 与 I/O#

为了最大限度地减少上下文切换的开销，我们用于 CPU 密集型任务的默认线程池具有固定大小，默认为std::thread::hardware_concurrency。这意味着 CPU 任务不应长时间阻塞，因为这会导致 CPU 利用率不足。为此，我们有一个单独的线程池，应用于需要阻塞的任务。由于这些任务通常与 I/O 操作相关联，因此我们称之为 I/O 线程池。此模型通常与异步计算相关联。

I/O 线程池的大小目前默认为 8 个线程，应根据 I/O 硬件的并行能力进行调整。例如，如果大多数读写操作发生在典型的 HDD 上，则默认值 8 可能就足够了。另一方面，当大多数读写操作发生在远程文件系统（如 S3）上时，通常可以从多个并发读取中受益，并且可以通过增加 I/O 线程池的大小来提高 I/O 性能。默认 I/O 线程池的大小可以使用ARROW_IO_THREADS环境变量或arrow::io::SetIOThreadPoolCapacity()函数进行管理。

增加 CPU 线程池的大小不太可能带来任何好处。在某些情况下，为了减少 Arrow C++ 对与其他进程或用户线程共享的硬件的影响，减少 CPU 线程池的大小可能是有意义的。默认 CPU 线程池的大小可以使用OMP_NUM_THREADS环境变量或arrow::SetCpuThreadPoolCapacity()函数进行管理。

串行执行#

Arrow C++ 中可能使用线程的操作通常可以通过某种参数配置为串行运行。在这种情况下，我们通常使用调用线程操作的事件循环替换 CPU 执行器。但是，许多操作将继续使用 I/O 线程池。这意味着即使请求串行执行，仍然可能发生某些并行性。

Jemalloc 后台线程#

当使用jemalloc 分配器时，jemalloc 将创建少量后台线程来管理池。这些线程应该影响最小，但在运行 Valgrind 等分析工具时可能会显示为内存泄漏。这是无害的，可以安全地抑制，或者可以在没有 jemalloc 的情况下编译 Arrow C++。

异步实用程序#

Future（未来）#

Arrow C++ 使用arrow::Future在线程之间传递结果。通常，当操作需要执行某种需要阻塞一段时间的长时间运行任务时，将创建arrow::Future。arrow::Future对象主要供内部使用，任何返回arrow::Future的方法通常也具有同步变体。