线程管理#

另请参见

线程池#

许多 Arrow C++ 操作将工作分配到多个线程，以利用底层硬件的并行性。例如，当 读取 Parquet 文件 时，我们可以并行地解码每一列。为了实现这一点，我们将任务提交到某种执行器。

在 Arrow C++ 中，我们使用线程池进行并行调度，当用户请求串行执行时使用事件循环。用户可以提供他们自己的自定义实现，但这是一种高级概念，这里没有涵盖。

CPU 与 I/O#

为了最大限度地减少上下文切换的开销，我们为 CPU 密集型任务默认的线程池具有固定大小，默认为 std::thread::hardware_concurrency。这意味着 CPU 任务不应该长时间阻塞，因为这会导致 CPU 利用率低下。为了实现这一点，我们拥有一个单独的线程池，应该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。这种模式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，如果大多数读写发生在典型的 HDD 上，那么 8 个线程的默认值可能就足够了。另一方面，当大多数读写发生在远程文件系统（如 S3）上时，通常可以从许多并发读写中获益，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 线程池的大小可以通过 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有任何好处。在某些情况下，可能需要减小 CPU 线程池的大小，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 线程池的大小可以通过 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。这意味着即使在请求串行执行时，也可能仍然存在一些并行性。

Jemalloc 后台线程#

当使用 jemalloc 分配器时，jemalloc 会创建少量后台线程来管理池。这些线程对性能的影响很小，但在运行 Valgrind 等分析工具时，可能会显示为内存泄漏。这并非有害，可以安全地抑制，或者可以在不使用 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，当操作需要执行某种长时间运行的任务（该任务将阻塞一段时间）时，会创建一个 arrow::Future。 arrow::Future 对象主要用于内部使用，任何返回 arrow::Future 的方法通常也具有同步变体。