.NET 4.0中的Task Parallel Library（TPL）已經不是什麼新鮮事了，相信很多朋友也閱讀過不少有關TPL的書籍資料。而另一方面，能夠將TPL合理地運用在實際專案開發過程中，以提高程式的執行效率，這種情況也並不多見。本文就以實際專案中的一個程式功能為例，簡要討論一下TPL的應用。在此我不打算對TPL的相關基礎知識做過多討論，這些內容在網上應該有不少的文章資料可供參考；同時讀者朋友還可以閱讀一些有關TPL的經典書籍，以便加深對TPL的理解。文章最後我會推薦幾本不錯的有關.NET 4.0下TPL的書籍資料。
案例：批量物件的XML序列化
在某個專案中，需要對一大批相同型別的物件進行XML序列化操作，在序列化工作完成後，程式會把序列化所得的XML字串根據物件的ID值儲存到一個字典（Dictionary）的物件中，以便後續的程式邏輯能夠使用這些序列化後的XML。為了簡化起見，我定義了一個Customer類來模擬這些物件的型別（實際專案中的物件型別要比這個Customer複雜一些），這個Customer類僅包含兩個屬性：ID和Name。下圖大致描述了這個處理過程：
現在讓我們先定義這個Customer類，以便為接下來的實驗作準備。Customer類的定義如下：
public class Customer
{
public long ID { get; set; }
public string Name { get; set; }
public override string ToString()
{
return Name;
}
}
下面，我們分別使用傳統的方式和基於TPL的並行處理方式來實現這個程式，然後比較一下這兩種方式產生的效果差異。
傳統的實現方式
傳統的實現方式很簡單，基本思路就是對每一個Customer物件，使用XmlSerializer對其進行序列化操作，然後把產生的XML字串儲存到字典中。程式碼如下：
static IEnumerable<KeyValuePair<long, string>> SerializeCustomers(Customer[] customers)
{
var dict = new Dictionary<long, string>();
var xmlSerializer = new XmlSerializer(typeof(Customer));
foreach (var customer in customers)
{
using (var ms = new MemoryStream())
{
xmlSerializer.Serialize(ms, customer);
dict.Add(customer.ID, Encoding.ASCII.GetString(ms.ToArray()));
}
}
return dict;
}
基於TPL的並行處理方式
在採用這種方式之前，需要對我們的應用場景進行分析。今後在專案中打算使用TPL之前，都應該進行這樣的分析。主要目的就是為了討論目前我們所面對的場景，是否可以使用平行計算。目前我們的應用場景是可以採用TPL的並行處理方式的。因為首先，針對每個Customer物件的序列化操作都相對獨立，沒有先後順序之分，即各操作之間是可替換的，比如計算a+b+c，可以先計算a+b（也就是(a+b)+c），也可以先計算b+c（也就是a+(b+c)）；其次，雖然在最後整合結果的時候需要訪問跨執行緒的共享資源，也就是在最後整合結果的時候產生了資源的依賴關係，但對於整個計算的過程，各個任務都是可以互不干擾地執行的。在運用TPL的時候，我覺得應該儘可能地降低各個任務之間的依賴關係，因為TPL中的任務有可能會被分配到不同的執行緒去執行，如果任務之間有資源的相互依賴的話，執行緒同步將降低任務執行的效率。
以下是此案例的TPL版本：
static IEnumerable<KeyValuePair<long, string>> ParallelSerializeCustomers(Customer[] customers)
{
var dict = new Dictionary<long, string>();
var xmlSerializer = new XmlSerializer(typeof(Customer));
object lockObj = new object();
Parallel.ForEach(customers, () => new Dictionary<long, string>(),
(customer, loopState, single) =>
{
using (var ms = new MemoryStream())
{
xmlSerializer.Serialize(ms, customer);
single.Add(customer.ID, Encoding.ASCII.GetString(ms.ToArray()));
}
return single;
},
(single) =>
{
lock (lockObj)
{
single.ToList().ForEach(p => dict.Add(p.Key, p.Value));
}
});
return dict;
}
在ParallelSerializeCustomers方法中，採用了foreach迴圈的並行版本：Parallel.ForEach方法。這個方法與foreach類似，會逐個輪詢給定的IEnumerable物件中的沒一個值，不過Parallel.ForEach方法會將這個輪詢的過程分配到多個Task上執行，因此對於Parallel.ForEach，執行過程的中斷（break）以及異常處理都與foreach完全不同。在這個例子中，我們使用的是Parallel.ForEach方法的其中一個過載版本，在這個方法過載中，首先我們將需要輪詢的IEnumerable物件（也就是這裡的customers陣列）傳遞給該方法；之後有一個Func<TLocal>的委託引數，這個委託引數的作用是為了對Task執行執行緒範圍內的區域性變數進行初始化，在這裡我們直接使用Lambda表示式返回了一個新建的Dictionary<long, string>物件，表示需要對執行緒範圍內的區域性變數（其實就是第三個引數中的那個single變數）初始化成一個新的Dictionary<long, string>例項；第三個引數也是一個委託，用於對當前的列舉物件執行真正的處理邏輯，然後將處理結果返回；第四個引數則是用來整合每個任務的處理結果，以得到最終結果。不難看出，在整合最終結果的時候，多個執行緒需要同時訪問dict變數，因此需要使用lock關鍵字以保證執行緒同步。
執行效果對比
以下是在一臺具有4核CPU的計算機上，處理十萬（100000）個Customer物件的執行效果，可見基於TPL的實現效率要比傳統的實現方式高很多。值得一提的是，傳統方式所產生的dict是有序的，而基於TPL的方式所產生的dict則是無序的，但這並不影響結果，因為程式並不會關心dict中的值是否有序。
以下是傳統實現方式下，CPU的利用率。我們可以看到，基本上CPU的利用率只能達到20%-30%左右，大部分CPU資源都沒有利用到：
以下是基於TPL方式下，CPU的利用率，基本上能達到85%以上（估計剩下的部分由於IO的原因，所以沒有達到更高的CPU利用率）：
參考書籍
- 《Parallel Programming with Microsoft Visual Studio 2010 Step by Step》
- 《Professional Parallel Programming with C#: Master Parallel Extensions with .NET 4》
- 《Parallel Programming with Microsoft .NET: Design Patterns for Decomposition and Coordination on Multicore Architectures》