# EfficientWordCloud 并行优化设计文稿

## 1. 目标与背景
本设计针对 EfficientWordCloud 的两个性能瓶颈进行优化：
- **Python 侧**：文本渲染与 bbox 计算属于 CPU 密集型，原流程在主循环中串行执行。
- **C++ 侧**：可用位置搜索为线性扫描，且非线程安全，限制多核利用。

目标：
- 在 Python 侧引入并行 bbox 预取，降低主循环阻塞。
- 在 C++ 侧实现线程安全与分块并行搜索，提升多核性能。

## 2. 总体架构
### 2.1 并行策略
- **Python 侧**：Producer-Consumer 预取模式。
  - 使用 `ProcessPoolExecutor` 异步计算未来词语的 bbox。
  - 主循环消费预取结果；若字体缩小，则回退为同步计算。
- **C++ 侧**：Chunked Parallel Search。
  - 将候选坐标分块，每块由一个异步任务扫描。
  - 收集所有任务结果，选择最小索引对应的位置，以保持“中心优先”的排序策略。

### 2.2 线程安全模型
- `IntegralGrid` 内部引入 `std::shared_mutex`。
  - **读**（`get_area_sum`）在并行搜索期间不再加锁，假设搜索阶段只读且在生成坐标与积分图后保持快照。
  - **写**（`update_rect_add`）当前实现默认由单线程 Python 调用，移除了锁以减少开销；如需多线程更新需恢复写锁保护。
  - 重建积分图（`rebuild_integral`）只在写路径触发。

## 3. C++ 核心设计
### 3.1 数据结构扩展
- 在 `IntegralGrid` 内部新增：
  ```cpp
  mutable std::shared_mutex mutex_;
  ```

### 3.2 并行搜索流程
1. 计算线程数（`hardware_concurrency`），确定分块大小。
2. 对 `valid_coords` 分块后并行扫描，每块返回一个 `SearchResult`。
3. 主线程汇总所有结果，选取最小索引（全局最佳位置）。
4. 在搜索期间释放 GIL：
   ```cpp
   Py_BEGIN_ALLOW_THREADS
   ...
   Py_END_ALLOW_THREADS
   ```

### 3.3 关键函数
- `search_range(start, end, box_h, box_w, step)`：扫描单块坐标。
- `find_spot_parallel(box_h, box_w, step)`：组织并行任务并聚合结果。
- `Grid_query_sorted`：绑定层调用 `find_spot_parallel`。

## 4. Python 侧设计
### 4.1 可序列化的测量函数
模块级函数保证可被 `ProcessPoolExecutor` 调度：
```python
def measure_text(text, font_path, size, rotate) -> (int, int)
```

### 4.2 ParallelBBoxFetcher
职责：
- 维护任务队列。
- 提交预取任务。
- 主循环中拉取结果（若无缓存则同步测量）。

接口：
- `prefetch(items)`
- `get(key, text, size, rotate)`

### 4.3 主流程集成
- 预先生成 `rotation_flags`，确保预取与实际一致。
- 预取前 `N` 个词的 bbox。
- 逐词处理时，提前预取下一批的 bbox。
- 字体缩小后回退同步，保证正确性。

## 5. 构建配置
- 编译标准升级为 C++17 以使用 `std::shared_mutex`。

## 6. 影响与兼容性
- 对外 API 保持不变。
- 性能提升取决于多核环境及词数量。
- 并行搜索仍保证排序一致性。

## 7. 风险与对策
- **多进程 bbox 测量开销**：采用预取窗口控制并发规模。
- **锁开销**：只在必要时加锁，读操作使用共享锁。
- **一致性**：聚合结果按最小索引保证行为与原排序一致。