HarmonyOS 7 大对象跨线程,深拷贝比计算本身更值得先处理

8MB JSON 丢进 TaskPool,不卡了,内存翻了
数据大屏项目,后端返回一个 8MB 的 JSON,JSON.parse 在主线程直接 ANR。很自然地套上 @Concurrent 和 TaskPool,JSON.parse 移进子线程,UI 确实不卡了。然后内存曲线告诉了你另一半故事:主线程持有一份 8MB 字符串,传给子线程时底层发生了一次深拷贝,子线程又复制了 8MB,加上解析出来的对象树,内存瞬间接近翻倍。
TaskPool 的通信走 Actor 模型,线程间内存隔离,普通对象跨线程传递默认就是序列化加拷贝。计算本身可能只花几百毫秒,8MB 的拷贝可能比计算还慢,而且这份拷贝不是免费的“一次开销”,它同时占着两份内存。
Transferable 是过户,不是复制
ArrayBuffer 这类大块内存,可以不拷贝,直接把所有权转移给子线程。主线程交出 buffer 之后不再持有它,子线程拿到的是同一块内存的所有权。类比是把房子的产权过户,而不是照着图纸再盖一栋。
typescript
@Concurrent
function parseLargeBuffer(buffer: ArrayBuffer): number[] {
const view = new Uint8Array(buffer);
// 解析逻辑在子线程完成
const decoder = new util.TextDecoder('utf-8');
const text = decoder.decode(view);
return JSON.parse(text).list.map((i: Record<string, Object>) => Number(i.id));
}
async function loadLargeData(buffer: ArrayBuffer): Promise<number[]> {
const task = new taskpool.Task(parseLargeBuffer, buffer);
// buffer 作为 Transferable 传入,主线程侧不再可用
const ids = await taskpool.execute(task) as number[];
return ids;
}
关键语句是“主线程侧不再可用”。Transferable 转移之后,原来的 ArrayBuffer 在主线程会变成 detached 状态,byteLength 为 0,再读就是抛错。转移的代价是所有权单向移交,适合“主线程只负责接收、解析和使用都在子线程”的场景;如果主线程还要继续读这块 buffer,就不能转移。
SharedArrayBuffer 是共享,不是免同步
主线程和子线程需要同时读同一块数据,用 SharedArrayBuffer。它底层是一块 Native 内存,JS 对象壳在各自虚拟机堆里,但指向同一块数据,不需要拷贝。
代价是并发写需要原子操作。两个线程同时改同一个位置,不用 Atomics 做同步,读到什么值取决于调度时序,Profiler 不报错,数据会静默错乱。
typescript
// 主线程创建共享内存 const sab = new SharedArrayBuffer(1024 * 1024); const flag = new Int32Array(sab, 0, 1); const payload = new Uint8Array(sab, 4); // 子线程侧:写入后用 Atomics 通知 Atomics.store(flag, 0, 1); Atomics.notify(flag, 0); // 主线程侧:等待通知再读 Atomics.wait(flag, 0, 0); // 注意:Atomics.wait 不能用在主线程
Atomics.wait 在 ArkTS 主线程上不可用,主线程侧的等待要用轮询 Atomics.load 加 setTimeout 让出事件循环,或者干脆让子线程通过消息通道通知主线程“写完了”。SharedArrayBuffer 解决的是拷贝开销,不解决并发正确性,把这两件事混在一起,调试成本比深拷贝高得多。
Sendable 是对象级共享的折中
SharedArrayBuffer 适合高频原始数据,日常对象级共享用 Sendable。标了 Sendable 的类可以跨线程传递而不做完整深拷贝,但它的字段必须是 Sendable 类型,不能塞普通闭包或 UI 对象。选型顺序可以简单记:大数据原始字节走 SharedArrayBuffer,结构化对象走 Sendable,一次性交出所有权走 Transferable,小对象和低频调用就老实深拷贝。前三个都比最后一个复杂,复杂度要花在瓶颈真正所在的地方。
计算和传输分开测,才知道先修哪个
把 @Concurrent 函数单独打点,量出纯计算耗时;再把主线程到子线程的传输单独打点,量出拷贝耗时。两个数摆在一起,如果拷贝占大头,先换 Transferable 或 SharedArrayBuffer;如果计算占大头,才轮到优化算法或换 Native。Profiler 里只看总时间,很容易把拷贝的账记到计算头上,然后在一个不需要优化的地方反复调参。
综上所述,TaskPool 解决的是“主线程不阻塞”,不解决“跨线程传输很贵”。8MB 级别的数据进来,先问三个问题:主线程还需要读这块数据吗,需要读的话用 SharedArrayBuffer 加原子同步;不需要读就直接 Transferable 过户;对象结构复杂到没法共享,再退回深拷贝并接受它的成本。选型顺序对了,优化才不用在错误的方向上反复试。
更多推荐

所有评论(0)