راهنمای جامع Worker Threads در Node.js (ماژول node:worker_threads)

ماژول node:worker_threads امکان اجرای واقعی چندریسمانی (Multithreading) را در Node.js فراهم می‌کند. برخلاف مدل تک‌ریسمانی سنتی Node.js، Worker Threads اجازه می‌دهند کارهای سنگین CPU در ریسه‌های جداگانه اجرا شوند بدون اینکه حلقهٔ رویداد (Event Loop) مسدود شود. این ماژول از حافظهٔ اشتراکی، انتقال بدون کپی (Zero‑Copy)، کانال‌های پیام، Worker Pool، محدودیت منابع و ابزارهای همگام‌سازی پیشرفته پشتیبانی می‌کند. Worker Threads برای پردازش‌های محاسباتی سنگین ایده‌آل هستند، در حالی که I/O همچنان باید توسط ریسهٔ اصلی مدیریت شود.

Worker ThreadsisMainThreadworkerDataparentPortMessageChannelSharedArrayBuffer

~3 min read • Updated Dec 30, 2025

1. معرفی


ماژول node:worker_threads امکان اجرای جاوااسکریپت در ریسه‌های جداگانه را فراهم می‌کند. هر Worker محیط مستقل خود را دارد اما می‌تواند با ریسهٔ اصلی ارتباط سریع و کارآمد برقرار کند. این قابلیت برای کارهای CPU-محور بسیار مناسب است.


2. نحوهٔ دسترسی


const {
  Worker,
  isMainThread,
  parentPort,
  workerData,
  threadId
} = require('node:worker_threads');

3. چرا از Worker Threads استفاده کنیم؟


  • اجرای موازی کارهای سنگین CPU مانند پردازش تصویر، رمزنگاری، فشرده‌سازی.
  • حافظهٔ اشتراکی با SharedArrayBuffer برای تبادل سریع داده.
  • هزینهٔ کمتر نسبت به child_process یا cluster.
  • انتقال بدون کپی برای ArrayBuffer و MessagePort.

4. مثال پایه


محاسبهٔ سنگین Fibonacci در یک Worker:

// main.js
const { Worker, isMainThread } = require('node:worker_threads');

if (isMainThread) {
  const worker = new Worker(__filename, { workerData: { num: 40 } });

  worker.on('message', (result) => {
    console.log('Fibonacci result:', result);
  });

  worker.on('exit', (code) => {
    console.log('Worker exited with code', code);
  });
} else {
  const { workerData, parentPort } = require('node:worker_threads');

  function fib(n) {
    return n <= 1 ? n : fib(n - 1) + fib(n - 2);
  }

  parentPort.postMessage(fib(workerData.num));
}

5. مفاهیم اصلی


5.1 isMainThread


در ریسهٔ اصلی true و داخل Worker مقدار false دارد.


5.2 workerData


داده‌ای که هنگام ساخت Worker ارسال می‌شود.


5.3 parentPort


کانال پیام Worker → Parent.


5.4 threadId


شناسهٔ یکتا برای هر Worker.


6. پیام‌رسانی و Transfer List


6.1 انتقال بدون کپی


const buffer = new ArrayBuffer(1024);
parentPort.postMessage(buffer, [buffer]); // buffer از دسترس خارج می‌شود

6.2 SharedArrayBuffer


حافظهٔ واقعاً مشترک بین ریسه‌ها:

const shared = new SharedArrayBuffer(4);
const view = new Int32Array(shared);
Atomics.store(view, 0, 42);

7. MessageChannel


ایجاد کانال پیام اختصاصی:

const { MessageChannel } = require('node:worker_threads');
const { port1, port2 } = new MessageChannel();
worker.postMessage({ port: port2 }, [port2]);

8. قابلیت‌های پیشرفته


8.1 Worker Pool


استفادهٔ مجدد از Workerها برای کاهش هزینهٔ ساخت.


8.2 SHARE_ENV


new Worker(__filename, { env: worker_threads.SHARE_ENV });

8.3 محدودیت منابع


new Worker(__filename, {
  resourceLimits: {
    maxOldGenerationSizeMb: 200,
    stackSizeMb: 4
  }
});

8.4 BroadcastChannel


const bc = new BroadcastChannel('updates');
bc.postMessage('Hello workers!');

8.5 Locks API (آزمایشی)


await locks.request('critical', async () => {
  // فقط یک Worker در لحظه وارد می‌شود
});

8.6 پروفایل CPU و Heap Snapshot


await worker.startCpuProfile();
await worker.getHeapSnapshot();

8.7 خاتمهٔ Worker


await worker.terminate();

9. بهترین شیوه‌ها


  • فقط برای کارهای CPU-محور استفاده شود.
  • برای داده‌های بزرگ از Transfer List استفاده کنید.
  • SharedArrayBuffer را با احتیاط و آگاهی از Race Condition به‌کار ببرید.
  • برای کارهای تکراری از Worker Pool استفاده کنید.
  • از مسدود کردن ریسهٔ اصلی پرهیز کنید.

10. مواردی که نباید از Worker Threads استفاده کرد


  • کارهای سادهٔ I/O.
  • وظایف بسیار کوتاه (هزینهٔ Worker بیشتر از سود آن است).
  • کارهایی که قابل موازی‌سازی نیستند.

نتیجه‌گیری


ماژول node:worker_threads امکان اجرای موازی واقعی را در Node.js فراهم می‌کند. با پشتیبانی از حافظهٔ اشتراکی، انتقال بدون کپی، Worker Pool و ابزارهای همگام‌سازی، این ماژول برای پردازش‌های سنگین مانند رمزنگاری، پردازش تصویر، فشرده‌سازی و محاسبات علمی کاملاً مناسب است. استفادهٔ صحیح از Worker Threads می‌تواند کارایی برنامه را به‌طور چشمگیری افزایش دهد بدون اینکه حلقهٔ رویداد مسدود شود.


Written & researched by Dr. Shahin Siami