新闻详情

新闻详情

首页 / 资讯中心 / 详情

wait() 为什么要写在 while 循环里?写在 if里不行吗?

发布时间:2026/11/16 9:05:27来源:尧图网络
wait() 为什么要写在 while 循环里?写在 if里不行吗?
为什么wait()必须写在while循环里不能用if1. 防止虚假唤醒Spurious Wakeup线程从wait()返回并不一定是因为被notify/notifyAll通知了操作系统层面可能在线程未收到任何通知的情况下将其唤醒即虚假唤醒。如果使用的是if线程被虚假唤醒后会直接执行条件判断后面的代码而此时条件可能仍然不满足。2. 被notifyAll()唤醒的线程需要重新竞争条件即使没有虚假唤醒使用notifyAll()时会唤醒所有等待线程它们会逐个获取锁并返回。例如经典的生产者-消费者场景多个消费者线程因队列为空而进入等待一个生产者放入一个元素后调用notifyAll()所有消费者线程都被唤醒但只有一个消费者能取到数据用if的话其他消费者取不到数据也会直接往下执行产生错误逻辑标准写法对比❌ 错误写法——用ifsynchronized(obj){if(条件不满足){// 只用 if 判断一次obj.wait();}// 线程被唤醒后直接执行这里 → 条件可能仍不满足对应的逻辑;}✅ 正确写法——用whilesynchronized(obj){while(条件不满足){// 被唤醒后重新检查条件obj.wait();}对应的逻辑;// 条件确实满足时才执行}官方规范说明在Object#wait的规范中明确指出等待方应遵循以下原则获取对象的锁。如果条件不满足那么调用对象的wait()方法被通知后仍要检查条件。条件满足则执行对应的逻辑。这正是while循环要做的事——每次从wait()返回后都重新检查条件而不是只检查一次。真实源码示例在 JDK 的ArrayBlockingQueue#put()方法中也是用while来防止虚假唤醒的publicvoidput(Ee)throwsInterruptedException{checkNotNull(e);finalReentrantLocklockthis.lock;lock.lockInterruptibly();try{// 设计注意点用while不用if是为了防止虚假唤醒while(countitems.length)notFull.await();// 队列满了生产者等待enqueue(e);}finally{lock.unlock();}}总结对比ifwhile条件检查次数进入wait前检查一次每次从wait返回后都重新检查虚假唤醒直接执行后续逻辑可能出问题重新判断条件安全notifyAll()场景被错误唤醒的线程会越界操作条件不满足则继续等待结论不可行必须使用简单说使用while的目的是确保线程从wait()返回时等待条件确实已经满足这是并发编程中的标准实践也是《Java 并发编程的艺术》和 JDK 源码中推荐的写法。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/14 10:11:15

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/15 4:06:36

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉