Awaitility项目中RejectedExecutionException异常分析与解决方案
2025-06-17 00:11:19作者:盛欣凯Ernestine
背景介绍
在使用Awaitility进行异步测试时,开发人员经常会遇到RejectedExecutionException异常。这种异常通常出现在测试代码中使用await()方法等待某些异步操作完成时,特别是在与资源解析器(如Apache Jackrabbit Oak)交互的场景中。
问题现象
典型的错误日志如下:
[ERROR] VirtualDetailPageServletTest.successful » RejectedExecution Task org.apache.jackrabbit.oak.commons.concurrent.NotifyingFutureTask@2115ecb[Not completed, task = org.apache.jackrabbit.oak.spi.commit.BackgroundObserver$1$1@339038ca] rejected from java.util.concurrent.ThreadPoolExecutor@60ecde41[Shutting down, pool size = 1, active threads = 1, queued tasks = 0, completed tasks = 9]
这种错误表明线程池正在关闭时,新的任务被拒绝执行。
根本原因分析
- 线程池生命周期问题:当测试环境中的线程池正在关闭过程中(状态为Shutting down),新的任务提交会被拒绝
- 资源竞争:测试中可能有多个线程同时尝试访问资源解析器,导致线程池过载
- 超时设置不当:10分钟的等待时间可能过长,增加了线程池压力
解决方案
方案一:忽略特定异常
最简单的解决方案是在await条件中添加异常忽略:
await()
.ignoreException(RejectedExecutionException.class)
.atMost(10, TimeUnit.MINUTES)
.until(() -> context.resourceResolver().resolve("/something"), path("/content/something"));
方案二:优化线程池配置
- 增加线程池大小
- 使用更合理的拒绝策略(如CallerRunsPolicy)
- 确保测试前后正确初始化和清理线程池
方案三:调整等待策略
- 缩短最大等待时间
- 添加轮询间隔配置
await()
.pollInterval(1, TimeUnit.SECONDS)
.atMost(1, TimeUnit.MINUTES)
.until(...);
最佳实践建议
- 合理设置超时:根据实际业务场景设置适当的等待时间,避免过长等待
- 异常处理:明确哪些异常可以忽略,哪些需要处理
- 资源管理:确保测试环境中的资源(如线程池)得到正确管理
- 日志记录:添加详细的日志记录,帮助诊断问题
总结
在Awaitility测试中遇到RejectedExecutionException时,开发者应该首先理解这是线程池管理问题而非Awaitility本身的问题。通过合理的异常处理和资源管理配置,可以有效地解决这类问题,确保测试的稳定性和可靠性。对于长期运行的测试,建议采用更细粒度的等待策略和更完善的资源管理方案。
登录后查看全文
热门项目推荐
相关项目推荐
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
项目优选
收起
deepin linux kernel
C
24
9
OpenHarmony documentation | OpenHarmony开发者文档
Dockerfile
413
3.17 K
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
685
324
Ascend Extension for PyTorch
Python
227
255
暂无简介
Dart
678
160
React Native鸿蒙化仓库
JavaScript
265
326
🎉 (RuoYi)官方仓库 基于SpringBoot,Spring Security,JWT,Vue3 & Vite、Element Plus 的前后端分离权限管理系统
Vue
1.21 K
660
Nop Platform 2.0是基于可逆计算理论实现的采用面向语言编程范式的新一代低代码开发平台,包含基于全新原理从零开始研发的GraphQL引擎、ORM引擎、工作流引擎、报表引擎、规则引擎、批处理引引擎等完整设计。nop-entropy是它的后端部分,采用java语言实现,可选择集成Spring框架或者Quarkus框架。中小企业可以免费商用
Java
9
1
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!
C
1.03 K
492
TorchAir 支持用户基于PyTorch框架和torch_npu插件在昇腾NPU上使用图模式进行推理。
Python
343
146