博客
关于我
【Android】你以为的单例模式和真正的单例模式是一样的吗?
阅读量:699 次
发布时间:2019-03-17

本文共 2943 字,大约阅读时间需要 9 分钟。

单例模式深度解析:从传统到现代实践

随着软件开发的深入,单例模式被广泛用于管理类的唯一实例,确保在整个应用中只有一个对象存在。传统的单例模式虽然解决了一些问题,但在多线程环境下的表现不足,经过不断演化,逐渐提出多种更优化的实现方式。本文将从传统到现代,带你深入探讨单例模式的实现细节。

传统单例模式

传统单例模式的实现通常采用懒汉模式,具体代码如下:

public class Singleton {    private static Singleton instance;    public static Singleton getInstance() {        if (instance == null) {            instance = new Singleton();        }        return instance;    }}

这种方式通过在第一次访问时创建实例,后续直接返回现有实例,减少了内存开销。然而,这种实现在多线程环境下可能出现竞态问题,当多个线程同时获得instance == null判断时,可能导致不同的实例被创建,最终无法保证单例效果。

双重检查加锁模式:提升线程安全

为了应对多线程下的竞态问题,双重检查加锁模式被引入,代码如下:

public class Singleton {    private static Singleton instance;        public static singleton getInstance() {        if (instance == null) {            synchronized (Singleton.class) {                if (instance == null) {                    instance = new Singleton();                }            }        }        return instance;    }}

此方式首先进行非锁定检查,避免在无需时加锁,提升效率。然后在发现instance为null时,进入锁定区,确保单一线程获得锁定,创建并赋值实例。

此方案有效解决了懒汉模式在多线程环境下的线程安全问题,实现了真正的单例模式。然而,加锁运算的开销可能影响性能。

饿汉模式:优化创建时机

饿汉模式提前创建实例,代码如下:

public class Singleton {    private static Singleton instance = new Singleton();    public static Singleton getInstance() {        return instance;    }}

这种方式在类加载时就直接初始化实例,后续总是直接返回该实例。优点在于 thread safety 不需额外机制,缺点在于初次加载时可能带来启动延迟。

静态内部类:优化饿汉模式

结合饿汉模式和静态内部类的优势,实现更优的单例模式:

public class Singleton {    private Singleton() { }        public static Singleton getInstance() {        return SingletonHolder.instance;    }        private static class SingletonHolder {        private static final Singleton instance = new Singleton();    }}

此方式克服了饿汉模式的启动性能问题,同时保留了饿汉模式的 thread safety 特性。在类加载时,内部类 SingletonHolder并不会马上被初始化,只有在第一次 getInstance() 调用时才进行。这使得整体性能比饿汉模式更优。

Kotlin实现:现代化写法

Kotlin 提供了更简洁的实现方式,如懒汉模式:

class Singleton private constructor() {    companion object {        var instance : Singleton? = null            get() {                if (field == null) {                    field = Singleton()                }                return field            }        fun get(): Singleton {            return instance!!        }    }}

此外,如果需要线程安全,可以使用双重检查加锁模式:

class Singleton private constructor() {    companion object {        private var instance : Singleton? = null            get() {                if (field == null) {                    field = Singleton()                }                return field            }        @Synchronized        fun get(): Singleton {            return instance!!        }    }}

此外,Kotlin 还支持 lazy 关键字,简化代码:

class Singleton private constructor() {    companion object {        val instance by lazy (LazyThreadSafetyMode.SYNCHRONIZED) {            Singleton()        }    }}

这种方式利用Kotlin的懒汉模式,结合 thread-safety 模式,在保证单例的同时,简化了代码结构。

总结

从传统的单例模式到现代的优化实现,开发者需要根据实际场景选择合适的方式。Lazy initialization 在大多数情况下非常有效,但当需要确保 thread-safety 时,必须采取额外的同步机制。饿汉模式虽然简单,但可能导致启动延迟,而静态内部类模式则为传统饿汉模式提供了一种更优的选择。无论选择哪种实现方式,都要根据项目需求权衡性能与 thread-safety。最终,选择一个既能满足业务需求,又能在性能上的最佳平衡点,是实现高效单例模式的关键。

转载地址:http://rlnez.baihongyu.com/

你可能感兴趣的文章
OpenCV与AI深度学习 | 实战 | OpenCV中更稳更快的找圆方法--EdgeDrawing使用演示(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV传统方法实现密集圆形分割与计数(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | OpenCV实现扫描文本矫正应用与实现详解(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV和Streamlit搭建虚拟化妆应用程序(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用OpenCV确定对象的方向(附源码)
查看>>
OpenCV与AI深度学习 | 实战 | 使用YOLOv8 Pose实现瑜伽姿势识别
查看>>
OpenCV与AI深度学习 | 实战 | 使用YoloV8实例分割识别猪的姿态(含数据集)
查看>>
OpenCV与AI深度学习 | 实战 | 使用姿态估计算法构建简单的健身训练辅助应用程序
查看>>
OpenCV与AI深度学习 | 实战 | 基于OpenCV和K-Means聚类实现颜色分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YoloV5和Mask RCNN实现汽车表面划痕检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9+SAM实现动态目标检测和分割(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战 | 基于YOLOv9和OpenCV实现车辆跟踪计数(步骤 + 源码)
查看>>
OpenCV与AI深度学习 | 实战 | 文本图片去水印--同时保持文本原始色彩(附源码)
查看>>
OpenCV与AI深度学习 | 实战—使用YOLOv8图像分割实现路面坑洞检测(步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战篇——基于YOLOv8和OpenCV实现车速检测(详细步骤 + 代码)
查看>>
OpenCV与AI深度学习 | 实战|OpenCV实时弯道检测(详细步骤+源码)
查看>>
OpenCV与AI深度学习 | 实践教程|旋转目标检测模型-TensorRT 部署(C++)
查看>>
OpenCV与AI深度学习 | 工业缺陷检测中数据标注需要注意的几个事项
查看>>
OpenCV与AI深度学习 | 干货 | 深度学习模型训练和部署的基本步骤
查看>>
OpenCV与AI深度学习 | 手把手教你用Python和OpenCV搭建一个半自动标注工具(详细步骤 + 源码)
查看>>