线程管理#

另请参阅

线程池#

许多 Arrow C++ 操作将工作分配给多个线程，以利用底层硬件并行性。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，但这是一种高级概念，此处不作介绍。

CPU vs. I/O#

为了最大限度地减少上下文切换的开销，我们的 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 任务永远不应长时间阻塞，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。这种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，如果大多数读取和写入发生在典型的 HDD 上，那么默认的 8 个可能就足够了。另一方面，当大多数读取和写入发生在远程文件系统（例如 S3）上时，通常可以从许多并发读取中受益，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() 函数来管理。

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，减少 CPU 线程池的大小可能是有意义的，以减少 Arrow C++ 对与其他进程或用户线程共享的硬件的影响。默认 CPU 线程池的大小可以使用 OMP_NUM_THREADS 环境变量或 arrow::SetCpuThreadPoolCapacity() 函数来管理。

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，也可能仍然会发生一些并行性。

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。这些线程的影响应该很小，但运行 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#

Arrow C++ 使用 arrow::Future 在线程之间传递结果。通常，当操作需要执行一些长时间运行的任务并且该任务会阻塞一段时间时，将创建一个 arrow::Future。arrow::Future 对象主要供内部使用，并且任何返回 arrow::Future 的方法通常也会有一个同步变体。