新语⾔言，新思维 解读⼀一个并发问题的多种实现 陶召胜 next: 异步编程的问题 变量量读写冲突 异步任务1 异步任务2 共享变量量 读、写 读、写 IO阻塞 回调地狱 Future也有不不⾜足 • get 很容易易导致另⼀一个对象阻塞 • 不不⽀支持多值、⾼高级错误处理理 next: 多任务求解1-10,000,000的和 序号 语⾔言 关键点 1 JavaScript JavaScript 不不再有回调地狱，变异步为顺序化思维，程序更更加可读 2 Go ⾼高并发调度，通道让异步编程更更简单 3 Scala （1）简洁的异步编程 （2）AKKA：分布式计算框架 4 Java （1）fork/join （2）CompletableFuture （3）反应式编程（Reactive Programming ) next: JavaScript 关键点：不 e) 例例⼦子JavaScript实现(Generator) 例例⼦子JavaScript实现(async/await) 多进程，利利⽤用多核 输出： next: Go 关键点：⾼高并发调度，通道让异步编程更更简单 2015年年 Go 1.5 2016年年 Go1.6、1.7 2017年年 Go1.8、 1.9 goroutine gorutine在逻辑处理理器器上执⾏行行

资源路径，更新 JSON 文件并发布到配置平台； 前端 < 49 ● 第三部分：通过发布流水线提供的 API，把 PROJECT_ID、发布环境注入 HTML 文件中，为运行阶段提供全局变量以便读取。 通过对流水线编译期的整合，我们可以生成新的云端 JSON 并上传到云端，为运行 阶段的下发提供数据基础。 监听阶段 我们知道，浏览器对文件请求的并发数量是有限制的，为了保证浏览器对当前页面的 当前页面的 渲染处于高优先级，同时还能完成预缓存的功能，我们设计了一套对缓存文件的加载 策略，在不影响当前页面加载的情况下，实现对缓存文件的加载操作。以下为详细的 技术方案： 图 17 预缓存监听阶段 在页面 DOMContentLoaded 之后，我们会监听三部分的的变化。 ● 第一部分是监听 DOM 的变化。这部分主要是在页面发生 Ajax 请求之后， 随着 MV 模式的变动，DOM 为代表。经过实践，我们发现第 一种方案基于神经网络的代码生成算法虽然简单粗暴，但复杂层布局的准确率较低、 可解释程度不高导致后续无法持续优化。方案二中 Sketch 源文件信息量丰富、算法 自定义程度高、优化空间大。因此，我们调研了业界基于 Sketch 的代码自动生成方 案（已对外公布或者开源），发现了一些不足并尝试解决，下面从算法准确率、代码可 读性、研发流程覆盖度等方面做一下对比（该对比结果仅考察业界方案对我们自己业

算法有对应最优的数据结构。给定算法，一般可基于不同的数据结构实现，而最终执行效率往往相差很 大。 Figure 1‑2. 数据结构与算法的关系 如果将「LEGO 乐高」类比到「数据结构与算法」，那么可以得到下表所示的对应关系。 数据结构与算法 LEGO 乐高 输入数据 未拼装的积木 数据结构 积木组织形式，包括形状、大小、连接方式等 算法 把积木拼成目标形态的一系列操作步骤 输出数据 积木模型 1 ‧ 算法是在有限时间内解决特定问题的一组指令或操作步骤，数据结构是在计算机中组织与存储数据的方 式。 ‧ 数据结构与算法两者紧密联系。数据结构是算法的底座，算法是发挥数据结构的舞台。 ‧ 乐高积木对应数据，积木形状和连接形式对应数据结构，拼装积木的流程步骤对应算法。 12 2. 复杂度分析 2.1. 算法效率评估 2.1.1. 算法评价维度 在开始学习算法之前，我们首先要想清楚算 看，我们设计算法时追求两个层面的目标。 1. 找到问题解法。算法需要能够在规定的输入范围下，可靠地求得问题的正确解。 2. 寻求最优解法。同一个问题可能存在多种解法，而我们希望算法效率尽可能的高。 换言之，在可以解决问题的前提下，算法效率则是主要评价维度，包括： ‧ 时间效率，即算法的运行速度的快慢。 ‧ 空间效率，即算法占用的内存空间大小。 数据结构与算法追求“运行速度快、占用内存

入门真的不难。 JavaScript 的性能优势体现在以下方面。 （1）灵活的语法，表达力强。 JavaScript 既支持类似 C 语言清晰的过程式编程，也支持灵活的 函数式编程，可以用来写并发处理（concurrent）。这些语法特性已 经被证明非常强大，可以用于许多场合，尤其适用异步编程。 JavaScript 的所有值都是对象，这为程序员提供了灵活性和便利 性。因为你可以很方便 WebAssembly，就可以在浏览器里面运行。 （3）事件驱动和非阻塞式设计。 JavaScript 程序可以采用事件驱动（event-driven）和非阻塞式 （non-blocking）设计，在服务器端适合高并发环境，普通的硬件就 可以承受很大的访问量。 JavaScript 是一种开放的语言。它的标准 ECMA-262 是 ISO 国 际标准，写得非常详尽明确；该标准的主要实现（比如 V8 和 SpiderMonkey 2009年，Node.js 项目诞生，创始人为 Ryan Dahl，它标志着 JavaScript 可以用于服务器端编程，从此网站的前端和后端可以使 用同一种语言开发。并且，Node.js 可以承受很大的并发流量，使得 开发某些互联网大规模的实时应用变得容易。 2009年，Jeremy Ashkenas 发布了 CoffeeScript 的最初版 本。CoffeeScript 可以被转换为 JavaScript

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

“计算操作运行时间统计”简化为“计算操作数量统计”，这样一来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。对 于此类情况，我们时常难以仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分 析仍然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur() 在运行过程中会同时存在 ? 个未返回的 recur() ，从而占用 ?(?) 的栈帧空间。 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 1. 常数阶

的数量的统计”，这样以来估算难度就大大降低了。 ‧ 时间复杂度也存在一定的局限性。例如，尽管算法 A 和 C 的时间复杂度相同，但实际运行时间差别很 大。同样，尽管算法 B 的时间复杂度比 C 高，但在输入数据大小 ? 较小时，算法 B 明显优于算法 C 。在 这些情况下，我们很难仅凭时间复杂度判断算法效率的高低。当然，尽管存在上述问题，复杂度分析仍 然是评判算法效率最有效且常用的方法。 (?2) ?3 + 10000?2 ?(?3) 2? + 10000?10000 ?(2?) 2.3.4 常见类型 设输入数据大小为 ? ，常见的时间复杂度类型如图 2‑9 所示（按照从低到高的顺序排列）。 ?(1) < ?(log ?) < ?(?) < ?(? log ?) < ?(?2) < ?(2?) < ?(?!) 常数阶 < 对数阶 < 线性阶 < 线性对数阶 < 平方阶 < recur(n) { if (n === 1) return; return recur(n - 1); } 2.4.3 常见类型 设输入数据大小为 ? ，图 2‑16 展示了常见的空间复杂度类型（从低到高排列）。 ?(1) < ?(log ?) < ?(?) < ?(?2) < ?(2?) 常数阶 < 对数阶 < 线性阶 < 平方阶 < 指数阶 图 2‑16 常见的空间复杂度类型 第 2 章 复杂度分析

第四行，在参数不符合要求的情况下（参数非 Thunk 函数和 Promise 对象），将 Promise 对象的状态改为 rejected ，从而终止执行。 处理并发的异步操作 co 支持并发的异步操作，即允许某些操作同时进行，等到它们全部完成，才进行下 一步。 这时，要把并发的操作都放在数组或对象里面，跟在 yield 语句后面。 Generator 函数的异步应用 457 // 数组的写法 co(function* map(somethingAsync); }); function* somethingAsync(x) { // do something async return y } 上面的代码允许并发三个 somethingAsync 异步操作，等到它们全部完成，才会 进行下一步。 实例：处理 Stream Generator 函数的异步应用 458 Node 提供 Stream 模 post 操作将是并发执行，也就 是同时执行，而不是继发执行。正确的写法是采用 for 循环。 async function dbFuc(db) { let docs = [{}, {}, {}]; for (let doc of docs) { await db.post(doc); } } async 函数 473 如果确实希望多个请求并发执行，可以使用

的方法是找一臺計算機，執行這兩個演算法，並監控記錄它們的執行時間和記憶體佔用情況。這種評估方式 能夠反映真實情況，但也存在較大的侷限性。 一方面，難以排除測試環境的干擾因素。硬體配置會影響演算法的效能表現。比如一個演算法的並行度較高， 那麼它就更適合在多核 CPU 上執行，一個演算法的記憶體操作密集，那麼它在高效能記憶體上的表現就會 更好。也就是說，演算法在不同的機器上的測試結果可能是不一致的。這意味著我們需要在各種機器上進行 複雜度分析為我們提供了一把評估演算法效率的“標尺”，使我們可以衡量執行某個演算法所需的時間和空 間資源，對比不同演算法之間的效率。 複雜度是個數學概念，對於初學者可能比較抽象，學習難度相對較高。從這個角度看，複雜度分析可能不太 適合作為最先介紹的內容。然而，當我們討論某個資料結構或演算法的特點時，難以避免要分析其執行速度 和空間使用情況。 綜上所述，建議你在深入學習資料結構與演算法之 表 2‑1 迭代與遞迴特點對比 迭代 遞迴 實現方 式 迴圈結構 函式呼叫自身 第 2 章 複雜度分析 www.hello‑algo.com 27 迭代 遞迴 時間效 率 效率通常較高，無函式呼叫開銷 每次函式呼叫都會產生開銷 記憶體 使用 通常使用固定大小的記憶體空間 累積函式呼叫可能使用大量的堆疊幀空間 適用問 題 適用於簡單迴圈任務，程式碼直觀、可讀 性好 適