博客
关于我
线程池源码探究
阅读量:409 次
发布时间:2019-03-06

本文共 422 字,大约阅读时间需要 1 分钟。

线程池简介

使用线程池时,JDK 提供了多种封装类型的线程池,包括 newFixedThreadPoolnewSingleThreadExecutornewCachedThreadPool 等。这些线程池的定义都在 Executors 类中,可以通过查看相关源码更深入了解它们的实现。

核心字段

ThreadPoolExecutor 类中有几个核心字段:

线程池状态

线程池的状态有5种,状态之间的转换关系如下:

执行任务

线程池通过 execute() 方法执行任务,源码如下:

线程池关闭方法

线程池可以通过 shutdown()shutdownNow() 方法关闭。

关闭过程

不论是调用 shutdown() 还是 shutdownNow(),线程池都会通过 getTask() 方法决定线程的退出策略。

通过以上方法,线程池可以在不同的情况下关闭,并确保所有任务都能得到处理或被拒绝。

转载地址:http://tlkkz.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 基于OpenCV和深度学习预测年龄和性别
查看>>
OpenCV与AI深度学习 | 基于OpenCV实现模糊检测 / 自动对焦
查看>>
OpenCV与AI深度学习 | 基于Python和OpenCV将图像转为ASCII艺术效果
查看>>
OpenCV与AI深度学习 | 基于PyTorch实现Faster RCNN目标检测
查看>>
OpenCV与AI深度学习 | 基于PyTorch语义分割实现洪水识别(数据集 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLO11的车体部件检测与分割
查看>>
OpenCV与AI深度学习 | 基于YoloV11自定义数据集实现车辆事故检测(有源码,建议收藏!)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8 + BotSORT实现球员和足球检测与跟踪 (步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 基于YOLOv8实现高级目标检测和区域计数
查看>>
VS2003 Front Page Server Extension
查看>>
OpenCV与AI深度学习 | 基于YOLOv8的停车对齐检测
查看>>
OpenCV与AI深度学习 | 基于YoloV8的药丸/片剂类型识别
查看>>
OpenCV与AI深度学习 | 基于YOLO和EasyOCR从视频中识别车牌
查看>>
OpenCV与AI深度学习 | 基于图像处理的火焰检测算法(颜色+边缘)
查看>>
OpenCV与AI深度学习 | 基于拉普拉斯金字塔实现图像融合(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 基于改进YOLOv8的景区行人检测算法
查看>>
OpenCV与AI深度学习 | 基于机器视觉的磁瓦表面缺陷检测方案
查看>>
OpenCV与AI深度学习 | 基于深度学习的轮胎缺陷检测系统
查看>>
OpenCV与AI深度学习 | 如何使用YOLO-World做目标检测
查看>>
OpenCV与AI深度学习 | 如何使用YOLOv9分割图像中的对象
查看>>