溫馨提示×
您好，登錄后才能下訂單哦！
點擊 登錄注冊 即表示同意《億速云用戶服務條款》
您好，登錄后才能下訂單哦！
前言
并發編程一直是Golang區別與其他語言的很大優勢，也是實際工作場景中經常遇到的。近日筆者在組內分享了我們常見的并發場景，及代碼示例，以期望大家能在遇到相同場景下，能快速的想到解決方案，或者是拿這些方案與自己實現的比較，取長補短。現整理出來與大家共享。
簡單并發場景
很多時候，我們只想并發的做一件事情，比如測試某個接口的是否支持并發。那么我們就可以這么做：
func RunScenario1() {
count := 10
var wg sync.WaitGroup
for i := 0; i < count; i++ {
wg.Add(1)
go func(index int) {
defer wg.Done()
doSomething(index)
}(i)
}
wg.Wait()
}
使用goroutine來實現異步，使用WaitGroup來等待所有goroutine結束。這里要注意的是要正確釋放WaitGroup的counter(在goroutine里調用Done()方法)。
但此種方式有個弊端，就是當goroutine的量過多時，很容易消耗完客戶端的資源，導致程序表現不佳。
規定時間內的持續并發模型
我們仍然以測試某個后端API接口為例，如果我們想知道這個接口在持續高并發情況下是否有句柄泄露，這種情況該如何測試呢？
這種時候，我們需要能控制時間的高并發模型：
func RunScenario2() {
timeout := time.Now().Add(time.Second * time.Duration(10))
n := runtime.NumCPU()
waitForAll := make(chan struct{})
done := make(chan struct{})
concurrentCount := make(chan struct{}, n)
for i := 0; i < n; i++ {
concurrentCount <- struct{}{}
}
go func() {
for time.Now().Before(timeout) {
<-done
concurrentCount <- struct{}{}
}
waitForAll <- struct{}{}
}()
go func() {
for {
<-concurrentCount
go func() {
doSomething(rand.Intn(n))
done <- struct{}{}
}()
}
}()
<-waitForAll
}
上面的代碼里，我們通過一個buffered channel來控制并發的數量(concurrentCount)，然后另起一個channel來周期性的發起新的任務，而控制的條件就是 time.Now().Before(timeout)，這樣當超過規定的時間，waitForAll 就會得到信號，而使整個程序退出。
這是一種實現方式，那么還有其他的方式沒？我們接著往下看。
基于大數據量的并發模型
前面說的基于時間的并發模型，那如果只知道數據量很大，但是具體結束時間不確定，該怎么辦呢？
比如，客戶給了個幾TB的文件列表，要求把這些文件從存儲里刪除。再比如，實現個爬蟲去爬某些網站的所有內容。
而解決此類問題，最常見的就是使用工作池模式了(Worker Pool)。以刪文件為例，我們可以簡單這樣來處理：
Jobs - 可以從文件列表里讀取文件，初始化為任務，然后發給worker
Worker - 拿到任務開始做事
Collector - 收集worker處理后的結果
Worker Pool - 控制并發的數量
雖然這只是個簡單Worker Pool模型，但已經能滿足我們的需求：
func RunScenario3() {
numOfConcurrency := runtime.NumCPU()
taskTool := 10
jobs := make(chan int, taskTool)
results := make(chan int, taskTool)
var wg sync.WaitGroup
// workExample
workExampleFunc := func(id int, jobs <-chan int, results chan<- int, wg *sync.WaitGroup) {
defer wg.Done()
for job := range jobs {
res := job * 2
fmt.Printf("Worker %d do things, produce result %d \n", id, res)
time.Sleep(time.Millisecond * time.Duration(100))
results <- res
}
}
for i := 0; i < numOfConcurrency; i++ {
wg.Add(1)
go workExampleFunc(i, jobs, results, &wg)
}
totalTasks := 100 // 本例就要從文件列表里讀取
wg.Add(1)
go func() {
defer wg.Done()
for i := 0; i < totalTasks; i++ {
n := <-results
fmt.Printf("Got results %d \n", n)
}
close(results)
}()
for i := 0; i < totalTasks; i++ {
jobs <- i
}
close(jobs)
wg.Wait()
}
在Go里，分發任務，收集結果，我們可以都交給Channel來實現。從實現上更加的簡潔。
仔細看會發現，本模型也是適用于按時間來控制并發。只要把totalTask的遍歷換成時間控制就好了。
等待異步任務執行結果
goroutine和channel的組合在實際編程時經常會用到，而加上Select更是無往而不利。
func RunScenario4() {
sth := make(chan string)
result := make(chan string)
go func() {
id := rand.Intn(100)
for {
sth <- doSomething(id)
}
}()
go func() {
for {
result <- takeSomthing(<-sth)
}
}()
select {
case c := <-result:
fmt.Printf("Got result %s ", c)
case <-time.After(time.Duration(30 * time.Second)):
fmt.Errorf("指定時間內都沒有得到結果")
}
}
在select的case情況，加上time.After()模型可以讓我們在一定時間范圍內等待異步任務結果，防止程序卡死。
定時反饋異步任務結果
上面我們說到持續的壓測某后端API，但并未實時收集結果。而很多時候對于性能測試場景，實時的統計吞吐率，成功率是非常有必要的。
func RunScenario5() {
concurrencyCount := runtime.NumCPU()
for i := 0; i < concurrencyCount; i++ {
go func(index int) {
for {
doUploadMock()
}
}(i)
}
t := time.NewTicker(time.Second)
for {
select {
case <-t.C:
// 計算并打印實時數據
}
}
}
這種場景就需要使用到Ticker，且上面的Example模型還能控制并發數量，也是非常實用的方式。
知識點總結
上面我們共提到了五種并發模式：
歸納下來其核心就是使用了Go的幾個知識點：Goroutine, Channel, Select, Time, Timer/Ticker, WaitGroup. 若是對這些不清楚，可以自行Google之。
另完整的Example 代碼可以參考這里：https://github.com/jichangjun/golearn/blob/master/src/carlji.com/experiments/concurrency/main.go
使用方式： go run main.go <場景>
比如 :
參考文檔
https://github.com/golang/go/wiki/LearnConcurrency
這篇是Google官方推薦學習Go并發的資料，從初學者到進階，內容非常豐富，且權威。
Contact me ?
Email: jinsdu@outlook.com
Blog: http://www.cnblogs.com/jinsdu/
Github: https://github.com/CarlJi
免責聲明：本站發布的內容（圖片、視頻和文字）以原創、轉載和分享為主，文章觀點不代表本網站立場，如果涉及侵權請聯系站長郵箱：is@yisu.com進行舉報，并提供相關證據，一經查實，將立刻刪除涉嫌侵權內容。
