并行Stream与Spring事务相遇？不是冤家不聚头~

今天这篇文章跟大家分享一个实战中的Bug及解决方案和技术延伸。

事情是这样的：运营人员反馈，通过Excel导入数据时，有一部分成功了，有一部分未导入。初步猜测，是事务未生效导致的。

查看代码，发现导入部分已经通过@Transcational注解进行事务控制了，为什么还会出现事务不生效的问题呢？

下面我们就进行具体的案例分析，Let’s go!

事务不生效的代码

这里写一段简单的伪代码来演示展示一下事务不生效的代码：

  @Transactional(rollbackFor = Exception.class)
  public void batchInsert(List<Order> list) {
    list.parallelStream().forEach(order -> orderMapper.save(order));
  }

逻辑很简单，遍历list，然后批量插入Order数据到数据库。在该方法上使用@Transactional来声明出现异常时进行回滚。

但事实情况是，其中某一条数据执行异常时，事务并没有进行回滚。这到底是为什么呢？

下面一探究竟。

JDK 8 的Stream

上面代码中涉及到了两个知识点：parallelStream和@Transactional，我们先来铺垫一下parallelStream相关知识。

在JDK8 中引入了Stream API的概念和实现，这里的Stream有别于 InputStream 和OutputStream，Stream API 是处理对象流而不是字节流。

比如，我们可以通过如下方式来基于Stream进行实现：

List<Integer> numbers = Arrays.asList(1, 2, 3, 4, 5, 6, 7, 8, 9); 
numbers.stream().forEach(num->System.out.println(num));

输出：1 2 3 4 5 6 7 8 9

代码看起来方便清爽多了。关于Stream的基本处理流程如下：

在这些Stream API中，还提供了一个并行处理的API，也就是parallelStream。它可以将任务拆分子任务，分发给多个处理器同时处理，之后合并。这样做的目的很明显是为了提升处理效率。

parallelStream的基本使用方式如下：

// 并行执行流
list.stream().parallel().filter(e -> e > 10).count()

针对上述代码，对应的流程如下：

而parallelStream会将流划分成多个子流，分散到不同的CPU并行处理，然后合并处理结果。其中，parallelStream默认是基于ForkJoinPool.commonPool()线程池来实现并行处理的。

通常情况下，我们可以认为并行会比串行快，但还是有前提条件的：

处理器核心数量：并行处理核心数越多，处理效率越高；
处理数据量：处理数据量越大优势越明显；

但并行处理也面临着一系列的问题，比如：资源竞争、死锁、线程切换、事务、可见性、线程安全等问题。

@Transactional事务处理

上面了解了parallelStream的基本原理及特性之后，再来看看@Transactional的事务处理特性。

@Transactional是Spring提供的基于注解的一种声明式事务方式，该注解只能运用到public的方法上。

基本原理：当一个方法被@Transactional注解之后，Spring会基于AOP在方法执行之前开启一个事务。当方法执行完毕之后，根据方法是否报错，来决定回滚或提交事务。

在默认代理模式下，只有目标方法由外部方法调用时，才能被Spring的事务拦截器拦截。所以，在同一个类中的两个方法直接调用，不会被Spring的事务拦截器拦截。这是事务不生效的一个场景，但在上述案例中，并不存在这种情况。

Spring在处理事务时，会从连接池中获得一个jdbc connection，将连接绑定到线程上（基于ThreadLocal），那么同一个线程中用到的就是同一个connection了。具体实现在DataSourceTransactionManager#doBegin方法中。

Bug综合分析

在了解了parallelStream和@Transactional的相关知识之后，我们会发现：parallelStream处理时开启了多线程，而@Transactional在处理事务时会（基于ThreadLocal）将连接绑定到当前线程，由于@Transactional绑定管理的是主线程的事务，而parallelStream开启的新的线程与主线程无关。因此，事务也就无效了。

此时，将parallelStream改为普通的stream，事务可正常回滚。这就提示我们，在使用基于@Transactional方式管理事务时，慎重使用多线程处理。

问题拓展

虽然parallelStream带来了更高的性能，但也要区分场景进行使用。即便是在不需要事务管理的情况下，如果parallelStream使用不当，也会造成同一时间对数据库发起大量请求等问题。

因此，在stream与parallelStream之间进行选择时，还要考虑几个问题：

是否需要并行？数据量比较大，处理器核心数比较多的情况下才会有性能提升。
任务之间是否是独立的，是否会引起任何竞态条件？比如：是否共享变量。
执行结果是否取决于任务的调用顺序？并行执行的顺序是不确定的。

小结

本篇文章讲述的Bug虽然简单，但如果不了解parallelStream与@Transactional注解的特性，还是很难排查的。而且也让我们意识到，虽然Spring通过@Transactional将事务管理进行了简化处理，但作为开发者，还是需要深入了解一下它的基本运作原理。不然，在排查bug时，很容易抓瞎。