前言
使用无界队列的线程池会导致内存飙升吗？面试官经常会问这个问题，本文将基于源码，去分析newFixedThreadPool线程池导致的内存飙升问题，希望能加深大家的理解。
（想自学习编程的小伙伴请搜索圈T社区，更多行业相关资讯更有行业相关免费视频教程。完全免费哦!）
内存飙升问题复现
实例代码
ExecutorService executor = Executors.newFixedThreadPool(10);
for (int i = 0; i < Integer.MAX_VALUE; i++) {
executor.execute(() -> {
try {
Thread.sleep(10000);
} catch (InterruptedException e) {
//do nothing
}
});
}
配置Jvm参数
IDE指定JVM参数：-Xmx8m -Xms8m :
执行结果
run以上代码，会抛出OOM：
JVM OOM问题一般是创建太多对象，同时GC 垃圾来不及回收导致的，那么什么原因导致线程池的OOM呢？带着发现新大陆的心情，我们从源码角度分析这个问题，去找找实例代码中哪里创了太多对象。
线程池源码分析
以上的实例代码，就一个newFixedThreadPool和一个execute方法。首先，我们先来看一下newFixedThreadPool方法的源码
newFixedThreadPool源码
public static ExecutorService newFixedThreadPool(int nThreads) {
return new ThreadPoolExecutor(nThreads, nThreads,
0L, TimeUnit.MILLISECONDS,
new LinkedBlockingQueue<Runnable>());
}
该段源码以及结合线程池特点，我们可以知道newFixedThreadPool：
- 核心线程数coreSize和最大线程数maximumPoolSize大小一样，都是nThreads。
- 空闲时间为0，即keepAliveTime为0
- 阻塞队列为无参构造的LinkedBlockingQueue
线程池特点了解不是很清楚的朋友，可以看我这篇文章，面试必备：Java线程池解析
接下来，我们再来看看线程池执行方法execute的源码。
线程池执行方法execute的源码
execute的源码以及相关解释如下：
public void execute(Runnable command) {
if (command == null)
throw new NullPointerException();
int c = ctl.get();
if (workerCountOf(c) < corePoolSize) { //步骤一：判断当前正在工作的线程是否比核心线程数量小
if (addWorker(command, true)) // 以核心线程的身份，添加到工作集合
return;
c = ctl.get();
}
//步骤二：不满足步骤一，线程池还在RUNNING状态，阻塞队列也没满的情况下，把执行任务添加到阻塞队列workQueue。
if (isRunning(c) && workQueue.offer(command)) {
int recheck = ctl.get();
//来个double check ，检查线程池是否突然被关闭
if (! isRunning(recheck) && remove(command))
reject(command);
else if (workerCountOf(recheck) == 0)
addWorker(null, false);
}
//步骤三：如果阻塞队列也满了，执行任务以非核心线程的身份，添加到工作集合
else if (!addWorker(command, false))
reject(command);
}
纵观以上代码，我们可以发现就addWorker 以及workQueue.offer(command) 可能在创建对象。那我们先分析addWorker方法。
addWorker源码分析
addWorker源码以及相关解释如下
private boolean addWorker(Runnable firstTask, boolean core) {
retry:
for (;;) {
int c = ctl.get();
//获取当前线程池的状态
int rs = runStateOf(c);
//如果线程池状态是STOP,TIDYING,TERMINATED状态的话，则会返回false。
// 如果现在状态是SHUTDOWN，但是firstTask不为空或者workQueue为空的话，那么直接返回false
if (rs >= SHUTDOWN &&
! (rs == SHUTDOWN &&
firstTask == null &&
! workQueue.isEmpty()))
return false;
//自旋
for (;;) {
//获取当前工作线程的数量
int wc = workerCountOf(c);
//判断线程数量是否符合要求，如果要创建的是核心工作线程，判断当前工作线程数量是否已经超过coreSize，
// 如果要创建的是非核心线程，判断当前工作线程数量是否超过maximumPoolSize，是的话就返回false
if (wc >= CAPACITY ||
wc >= (core ? corePoolSize : maximumPoolSize))
return false;
//如果线程数量符合要求，就通过CAS算法，将WorkerCount加1，成功就跳出retry自旋
if (compareAndIncrementWorkerCount(c))
break retry;
c = ctl.get(); // Re-read ctl
if (runStateOf(c) != rs)
continue retry;
retry inner loop
}
}
//线程启动标志
boolean workerStarted = false;
//线程添加进集合workers标志
boolean workerAdded = false;
Worker w = null;
try {
//由(Runnable 构造Worker对象
w = new Worker(firstTask);
final Thread t = w.thread;
if (t != null) {
//获取线程池的重入锁
final ReentrantLock mainLock = this.mainLock;
mainLock.lock();
try {
//获取线程池状态
int rs = runStateOf(ctl.get());
//如果状态满足，将Worker对象添加到workers集合
if (rs < SHUTDOWN ||
(rs == SHUTDOWN && firstTask == null)) {
if (t.isAlive())
throw new IllegalThreadStateException();
workers.add(w);
int s = workers.size();
if (s > largestPoolSize)
largestPoolSize = s;
workerAdded = true;
}
} finally {
mainLock.unlock();
}
//启动Worker中的线程开始执行任务
if (workerAdded) {
t.start();
workerStarted = true;
}
}
} finally {
//线程启动失败，执行addWorkerFailed方法
if (! workerStarted)
addWorkerFailed(w);
}
return workerStarted;
}
addWorker执行流程
大概就是判断线程池状态是否OK，如果OK，在判断当前工作中的线程数量是否满足（小于coreSize/maximumPoolSize）,如果不满足，不添加，如果满足，就将执行任务添加到工作集合workers，，并启动执行该线程。
再看一下workers的类型：
/**
- Set containing all worker threads in pool. Accessed only when
- holding mainLock.
- */
- private final HashSet workers = new HashSet();
workers是一个HashSet集合，它由coreSize/maximumPoolSize控制着，那么addWorker方法会导致OOM？结合实例代码demo，coreSize=maximumPoolSize=10，如果超过10，不会再添加到workers了，所以它不是导致newFixedThreadPool内存飙升的原因。那么，问题应该就在于workQueue.offer(command) 方法了。为了让整个流程清晰，我们画一下execute执行的流程图。
线程池执行方法execute的流程
根据以上execute以及addWork源码分析，我们把流程图画出来：
- 提交一个任务command，线程池里存活的核心线程数小于线程数corePoolSize时，调用addWorker方法，线程池会创建一个核心线程去处理提交的任务。
- 如果线程池核心线程数已满，即线程数已经等于corePoolSize，一个新提交的任务，会被放进任务队列workQueue排队等待执行。
- 当线程池里面存活的线程数已经等于corePoolSize了,并且任务队列workQueue也满，判断线程数是否达到maximumPoolSize，即最大线程数是否已满，如果没到达，创建一个非核心线程执行提交的任务。
- 如果当前的线程数达到了maximumPoolSize，还有新的任务过来的话，直接采用拒绝策略处理 。
看完execute的执行流程，我猜测，内存飙升问题就是workQueue塞满了。接下来，进行阻塞队列源码分析，揭开内存飙升问题的神秘面纱。
阻塞队列源码分析
回到newFixedThreadPool构造函数，发现阻塞队列就是LinkedBlockingQueue，而且是个无参的LinkedBlockingQueue队列。OK，那我们直接分析LinkedBlockingQueue源码。
LinkedBlockingQueue类图
由类图可以看到：
- LinkedBlockingQueue 是使用单向链表实现的，其有两个 Node，分别用来存放首、尾节点， 并且还有一个初始值为 0 的原子变量 count，用来记录 队列元素个数。
- 另外还有两个 ReentrantLock 的实例，分别用来控制元素入队和出队的原 子性，其中 takeLock 用来控制同时只有一个线程可以从队列头获取元素，其他线程必须 等待， putLock 控制同时只能有一个线程可以获取锁，在队列尾部添加元素，其他线程必 须等待。
- 另外， notEmpty 和 notFull 是条件变量，它们内部都有一个条件队列用来存放进 队和出队时被阻塞的线程，其实这是生产者一消费者模型。
LinkedBlockingQueue无参构造函数
public LinkedBlockingQueue() {
this(Integer.MAX_VALUE);
}
public LinkedBlockingQueue(int capacity) {
if (capacity <= 0) throw new IllegalArgumentException();
this.capacity = capacity;
last = head = new Node(null);
}
LinkedBlockingQueue无参构造函数，默认构造Integer.MAX_VALUE（那么大） 的链表，看到这里，你回想一下execute流程，是不是阻塞队列一直不会满了，这队列来者不拒，把所有阻塞任务收于麾下。。。是不是内存飙升问题水落石出啦。
LinkedBlockingQueue的offer函数
线程池中，插入队列用了offer方法，我们来看一下阻塞队列LinkedBlockingQueue的offer骚操作吧
public boolean offer(E e) {
//为空元素则抛出空指针异常
if (e == null) throw new NullPointerException();
final AtomicInteger count = this.count;
//如采当前队列满则丢弃将要放入的元素， 然后返回false
if (count.get() == capacity)
return false;
int c = -1;
//构造新节点，获取putLock独占锁
Node<E> node = new Node<E>(e);
final ReentrantLock putLock = this.putLock;
putLock.lock();
try {
//如采队列不满则进队列，并递增元素计数
if (count.get() < capacity) {
enqueue(node);
c = count.getAndIncrement();
//新元素入队后队列还有空闲空间，则
唤醒 notFull 的条件队列中一条阻塞线程
if (c + 1 < capacity)
notFull.signal();
}
} finally {
//释放锁
putLock.unlock();
}
if (c == 0)
signalNotEmpty();
return c >= 0;
}
offer操作向队列尾部插入一个元素，如果队列中有空闲则插入成功后返回 true，如果队列己满 则丢弃当前元素然后返回 false。 如果 e 元素为 null 则抛出 Nul!PointerException 异常。另外， 该方法是非阻塞的。
内存飙升问题结果揭晓
newFixedThreadPool线程池的核心线程数是固定的，它使用了近乎于无界的LinkedBlockingQueue阻塞队列。当核心线程用完后，任务会入队到阻塞队列，如果任务执行的时间比较长，没有释放，会导致越来越多的任务堆积到阻塞队列，最后导致机器的内存使用不停的飙升，造成JVM OOM。