当前位置:

首页 > 编程开发 > 怎么通过 Spring 的 DeferredResult 实现非阻塞式的长轮询实时数据推送方案

怎么通过 Spring 的 DeferredResult 实现非阻塞式的长轮询实时数据推送方案

Redis Assistant
Redis Assistant

Redis Assistant 是一款为Redis设计的高效可视化管理与监控工具,提供多种操作模式,高效处理服务器数据。日常使用里的持续防护和信息管理会更突出,适合把安全控制放进长期使用流程中的场景。

立即下载
¥19
Windows/macOS/Linux 2026-08-22
正版软件 Windows macOS软件 Linux 数据库管理工具

DeferredResult基于Servlet3.0异步规范,请求进入后立即释放Tomcat线程,避免阻塞。构造实例时超时时间单位为毫秒,需用线程安全集合存储并注册onCompletion回调清理。前端轮询需唯一标识、设置略短的后端超时时间,监听complete触发下一轮。集群下需通过RedisPub/Sub或消息队列广播同步,禁止序列化DeferredRe

说实话,上面那段总结已经讲得很透了:DeferredResult 能避免 Tomcat 线程阻塞,核心就在于它基于 Servlet 3.0 的异步规范。请求一进入 Controller,Tomcat 的工作线程(比如那个 nio-8080-exec-N)就会被立即释放,而不是死守在原地等业务逻辑跑完。Tomcat 会把请求“移交”给它的异步调度器,之后全凭你自己的业务线程去调用 setResult() 或者等它超时,直到那一刻,HTTP 响应才会真正写回去。

怎么通过 Spring 的 DeferredResult 实现非阻塞式的长轮询实时数据推送方案

不过,很多朋友在实际动手时,经常被一些“隐形门槛”绊倒。比如最常见的一个误会:以为必须配上 Spring 的 @EnableAsync 才能用。其实 DeferredResult 根本不吃这一套,它只依赖 Servlet 容器是否开启了异步支持——好消息是,Spring Boot 默认就是开着的。你费了半天劲去配置那个线程池注解,结果只是白忙一场,卡在了错误的时间点上。

DeferredResult 为什么能避免 Tomcat 线程阻塞

我们把这个过程拆开来看。传统逻辑是:请求来了,Tomcat 从自己的线程池(默认大小 200)里捞一个线程出来,全程死盯着业务代码,直到拿到结果才放手。这就带来了一个数学问题:如果每个长轮询要卡 30 秒,那 10 个并发请求,瞬间就会占用 300 秒的线程资源,线程池很快就打满了。下一个请求只能排队等着,系统性能直线下降。

DeferredResult 的做法就聪明得多。它让请求一进来就把线程释放回去,Tomcat 转手把请求交给异步调度器。业务跑完了,或者设定的超时时间到了,再去写回响应。这里有个细节必须小心:构造 DeferredResult 时传的超时时间,单位是毫秒。比如你写 new DeferredResult(5000L),那意思是 5 秒后超时。很多人手一抖填了 5000,心里想的是 5 秒,结果代码的行为变成了 5 毫秒后超时,完全不是想要的效果。另外,如果用了无参构造,那就是默认不超时——请求可能就这么永远挂在那儿,直到 JVM 重启或者客户端主动断开连接,这绝对是个要命的坑。

如何安全地存储和分发 DeferredResult 实例

DeferredResult 对象怎么存,是个大问题。千万别因为图省事,就用一个 HashMap 放在全局。这不仅仅是线程安全的问题,更是一个原则性的设计缺陷——在集群环境下,一个 JVM 里的 DeferredResult 对象,另一个节点根本看不见它。即便是在单机场景,也要考虑内存泄漏这个定时冲击波。

正确的做法是用线程安全的集合,比如 CopyOnWriteArrayList 或 ConcurrentLinkedDeque。这样你在遍历的时候,就不用提心吊胆地怕碰到 ConcurrentModificationException。更重要的是,必须注册 onCompletion() 回调。这个回调会在请求结束(不管是因为成功、超时还是异常)时触发,你要在回调里把自己从集合中移除。否则,这个对象就会一直驻留在堆内存里,GC 也没办法回收,最终导致内存泄漏。这就像是公共储物柜,你用完得把钥匙还给管理员。

DeferredResult result = new DeferredResult<>(5000L, "timeout");
result.onCompletion(() -> results.remove(result));
results.add(result);

前端发起长轮询时必须注意的三个细节

前端的配合也不能马虎。长轮询不是简单的发一次 fetch() 请求就完事,它的本质是一个循环:请求→等待响应→收到后立刻发起下一个。其中任何一个环节出问题,整个链路都会断掉。

第一,每次请求都必须带上一个唯一标识,比如 requestId。服务端可以拿这个来去重或者做追踪。不然,如果用户同时开了多个标签页轮询,服务端调用 setResult() 时,很可能就把数据推给了错误的请求。
第二,前端的 AJAX 请求需要显式设置 timeout。建议设得比后端 DeferredResult 的超时时间略短一点,比如后端是 5000ms,前端就设 4500ms。这样能避免一种尴尬情况:前端还在傻等,后端已经超时返回了,导致一个空的轮询间隙。
第三,一定要监听 complete(jQuery里)或 finally(fetch 里),而不仅仅是 success 或 then。因为不管是超时、网络中断还是服务端返回了个 500 错误,你都需要触发下一轮请求,否则轮询循环就停下来了。

集群环境下怎么让 DeferredResult 生效

本地跑通只是第一步,生产环境往往是集群部署。DeferredResult 只活在自己的 JVM 里。用户 A 的请求落在了节点 X,但数据更新事件却发生在节点 Y。Y 节点上把数据更新了,但 X 节点里存的那个 DeferredResult 永远不会被 setResult(),请求就卡死了。这个问题的根源,在于路牌(请求状态)和消息(更新事件)不在同一个地方。

解决办法只有两条路,没有中间态:
一是用 Redis 的 Pub/Sub 或者消息队列(比如 Kafka)来做节点间的状态同步。节点 Y 更新数据后,广播一条消息出来。所有节点都去监听这个频道,收到消息后,遍历自己本地的 DeferredResult 集合,找到对应的那个实例,调用 setResult()。
二是干脆放弃在内存里存 DeferredResult,直接上一个统一的推送中心,比如 WebSocket 网关加上 Redis 订阅。这样 DeferredResult 就可以退居二线,只充当一个轻量级的兜底方案。

最后,千万别动那种“把 DeferredResult 存到 Redis 里序列化”的念头。这玩意儿是不可序列化的,会直接抛一个 NotSerializableException 给你看。归根结底,就算用了 Redis 广播,每个节点维护好自己的 DeferredResult 列表,并严格执行 onCompletion 里的清理动作,才是王道。否则,广播来了,本地的列表却因为没清理而膨胀,内存迟早被撑爆,系统也就离崩盘不远了。

本站声明:本文内容由网友自发贡献,版权归原作者所有,本站不承担相应法律责任。如您发现有涉嫌抄袭侵权的内容,请联系bd@zhengruan.com
作者最新文章
编程开发
相关文章 更多
C++ unordered_map自定义key _ 哈希函数与等值判断实现【详解】
C++ unordered_map自定义key _ 哈希函数与等值判断实现【详解】

C++unordered_map使用自定义类型作键时,必须提供哈希函数和等值比较函数,否则编译失败。解决方案包括显式传入函数对象或特化std::hash,推荐对各字段分别哈希后通过位移异或组合,以减少哈希碰撞、提升性能。

C++ async异步执行任务 _ launch::async与deferred区别【详解】
C++ async异步执行任务 _ launch::async与deferred区别【详解】

std::async默认策略不保证异步,可能延迟到get()时同步执行。显式指定launch::async强制新线程立即运行,否则可能退化为deferred。deferred在get()时同步执行,无线程开销。默认策略行为不可预测,易导致线上串行问题。future析构时async策略会阻塞等待任务完成。

如何通过 JIT 的 Branch Prediction 优化理解为何在有序数组上进行过滤比无序数组快
如何通过 JIT 的 Branch Prediction 优化理解为何在有序数组上进行过滤比无序数组快

有序数组过滤比无序快的原因在于CPU分支预测器而非JIT优化。有序时分支预测成功率高,无序时频繁猜错导致流水线浪费10-20个时钟周期。两者代码相同,性能差异可达数倍。避免混淆为二分查找。预排序复用或位运算可消除分支瓶颈。

如何在 Java 中利用 DoublePredicate 处理针对原生双精度浮点数的高性能流式过滤逻辑
如何在 Java 中利用 DoublePredicate 处理针对原生双精度浮点数的高性能流式过滤逻辑

Java中DoublePredicate是专为原始double类型设计的函数式接口,可直接操作原生值,避免自动装箱与拆箱开销。与DoubleStream.filter()天然契合,支持范围检查、精度比较及组合逻辑,适用于传感器读数、科学计算等场景。注意NaN判断需用Double::isNaN,且过滤逻辑应保持轻量。

C++ std::unordered_map性能压测报告 _ 桶数量对效率影响分析【详解】
C++ std::unordered_map性能压测报告 _ 桶数量对效率影响分析【详解】

桶数量直接影响std::unordered_map的查找性能。负载因子默认1.0,rehash滞后易导致链表过长。压测表明,插入100万键值对时,初始桶数设为约104万可使平均查找耗时降低35%-40%;桶数过少则热点桶链长超20,P99延迟翻倍。合理预设桶数应使用reserve并调整max_load_factor,压测需监控实际桶数和负载因子。

如何在Python中实现LRU缓存淘汰算法_使用collections.OrderedDict快速构建
如何在Python中实现LRU缓存淘汰算法_使用collections.OrderedDict快速构建

Python标准库的functools.lru_cache在需要精细控制时可能不够灵活。collections.OrderedDict因其move_to_end和popitem方法,能高效实现LRU缓存的核心逻辑:访问时更新位置,超容时淘汰最久未用项。尽管Python3.7后普通字典保持顺序,但缺少高效操作顺序的方法,OrderedDict仍不可替代。实现时

正则回溯陷阱:预防超长变量导致的ReDoS攻击
正则回溯陷阱:预防超长变量导致的ReDoS攻击

正则表达式使用不当可能引发ReDoS攻击,导致指数级回溯。高危模式包括嵌套量词、重叠分支及贪婪匹配后接必然失败的锚定。防御措施包括限制输入长度、避免直接拼接用户输入,以及利用语言特性或拆分复杂任务来提升安全性。

C++ std::unordered_map扩容机制 _ 桶数量与装载因子控制【详解】
C++ std::unordered_map扩容机制 _ 桶数量与装载因子控制【详解】

C++ std::unordered_map扩容机制:桶数量与装载因子控制详解 先明确一个核心机制:std::unordered_map的扩容并非简单地由插入的元素数量决定,而是由一个叫做装载因子(load factor)的比值触发。具体来说,当size() / bucket_count()大于设定

怎么利用 Project Loom 的 Structured Concurrency 自动传播线程中断并防止异步子任务泄露
怎么利用 Project Loom 的 Structured Concurrency 自动传播线程中断并防止异步子任务泄露

怎么利用 Project Loom 的 Structured Concurrency 自动传播线程中断并防止异步子任务泄露 StructuredTaskScope 会自动传播中断信号吗? 答案是肯定的,但这里有个关键前提:它只对在自身作用域内显式启动的子任务有效,并且,父线程被中断这件事,必须发生在

怎么利用 PreparedStatement.setFetchSize() 优化从数据库读取大数据集的性能
怎么利用 PreparedStatement.setFetchSize() 优化从数据库读取大数据集的性能

怎么利用 PreparedStatement.setFetchSize() 优化从数据库读取大数据集的性能 setFetchSize() 不是“一次查多少条”,而是“一次从网络拿多少条” 先澄清一个常见的误解:很多人以为 setFetchSize() 是给数据库下达指令,让它只返回指定数量的行。其实

查看更多
精品专题 更多
装机必备
装机必备

正软商城装机必备专区,精选办公、浏览器、安全防护、影音播放、压缩解压、设计创作和系统工具等电脑常用正版软件,帮助用户快速完成新电脑软件配置。

Windows
Windows

正软商城Windows软件专区,汇集适用于Windows电脑的办公、设计、安全防护、影音播放、开发工具和系统优化软件,提供软件介绍、系统要求、正版授权及购买下载服务。

PDF教程
PDF教程

正软商城PDF教程频道提供PDF编辑、转换、合并、拆分、压缩及格式处理方法,同时介绍常用PDF软件和工具的使用技巧。

Mac软件 更多
Postman macOS版
Postman macOS版
Mac

Postman是一套面向API全生命周期的开发与测试平台,可在Mac上发送和调试多种协议请求,管理集合、环境及认证信息,并完成脚本测试、模拟服务、监控、文档发布和团队协作。它适合开发、测试及运维人员使用,提供个人免费方案。

Docker Desktop macOS版
Docker Desktop macOS版
Mac

Docker Desktop 是 Docker 官方为 Mac 提供的容器开发环境,集成 Docker Engine、命令行工具、Compose、Build、Kubernetes 与图形化管理界面。

Android Studio macOS版
Android Studio macOS版
Mac

Android Studio 是 Google 面向安卓应用开发提供的官方集成开发环境,基于 IntelliJ IDEA 构建。它整合智能代码编辑、Gradle 构建、界面预览、设备模拟、性能分析、调试测试及 APK 分析等工具。

WINDOWS 更多
Postman Windows版
Postman Windows版
Windows

Postman 是面向 API 全生命周期的开发与协作平台。Windows 桌面版可用于构建和发送 HTTP、GraphQL、gRPC、WebSocket、MQTT 等请求,并提供环境变量、集合、脚本测试、模拟服务、监控、文档及团队工作区等

Docker Desktop Windows版
Docker Desktop Windows版
Windows

Docker Desktop 为 Windows 开发者提供集成式容器环境,内置 Docker Engine、命令行工具、Compose、Build 与 Kubernetes 等组件,可在本机完成镜像构建、容器运行、日志查看和资源管理。

Android Studio Windows版
Android Studio Windows版
Windows

Android Studio 是 Google 面向 Android 应用开发提供的官方集成开发环境,以 IntelliJ IDEA 为基础,集成智能代码编辑、Gradle 构建、设备模拟、界面预览、调试测试及性能分析工具,

即将离开本站
您即将前往第三方网站,请确认是否继续?