摘自点击打开链接
Go并发原语使得构建流式数据管道,高效利用I/O和多核变得简单。这篇文章介绍了几个管道例子,重点指出在操作失败时的细微差别,并介绍了优雅处理失败的技术。
Go没有正式的管道定义。管道只是众多并发程序的一类。一般的,一个管道就是一些列的由channel连接起来的阶段。每个阶段都有执行相同逻辑的goroutine。在每个阶段中,goroutine
· 从channel读取上游数据
· 在数据上执行一些操作,通常会产生新的数据
· 通过channel将数据发往下游
每个阶段都可以有任意个输入channel和输出channel,除了第一个和最有一个channel(只有输入channel或只有输出channel)。第一个步骤通常叫数据源或者生产者,最后一个叫做存储池或者消费者。
我们先从一个简单的管道例子来解释这些概念和技术,稍后我们会介绍一个更为复杂的例子。
假设管道有三个阶段。
第一步,gen函数,是一个将数字列表转换到一个channel中的函数。Gen函数启动了一个goroutine,将数字发送到channel,并在所有数字都发送完后关闭channel。
1 2 3 4 5 6 7 8 9 10 |
func gen(nums ...int) <-chan int { out := make(chan int) go func() { for _, n := range nums { out <- n } close(out) }() return out } |
第二个阶段,sq,从上面的channel接收数字,并返回一个包含所有收到数字的平方的channel。在上游channel关闭后,这个阶段已经往下游发送完所有的结果,然后关闭输出channel:
1 2 3 4 5 6 7 8 9 10 |
func sq(in <-chan int) <-chan int { out := make(chan int) go func() { for n := range in { out <- n * n } close(out) }() return out } |
main函数建立这个管道,并执行第一个阶段,从第二个阶段接收结果并逐个打印,直到channel被关闭。
1 2 3 4 5 6 7 8 9 |
func main() { // Set up the pipeline. c := gen(2, 3) out := sq(c)
// Consume the output. fmt.Println(<-out) // 4 fmt.Println(<-out) // 9 } |
因为sq对输入channel和输出channel拥有相同的类型,我们可以任意次的组合他们。我们也可以像其他阶段一样,将main函数重写成一个循环遍历。
1 2 3 4 5 6 |
func main() { // Set up the pipeline and consume the output. for n := range sq(sq(gen(2, 3))) { fmt.Println(n) // 16 then 81 } } |
多个函数可以从同一个channel读取数据,直到这个channel关闭,这叫扇出。这是一种多个工作实例分布式地协作以并行利用CPU和I/O的方式。
一个函数可以从多个输入读取并处理数据,直到所有的输入channel都被关闭。这个函数会将所有输入channel导入一个单一的channel。这个单一的channel在所有输入channel都关闭后才会关闭。这叫做扇入。
我们可以设置我们的管道执行两个sq实例,每一个实例都从相同的输入channel读取数据。我们引入了一个新的函数,merge,来扇入结果:
1 2 3 4 5 6 7 8 9 10 11 12 |
func main() { in := gen(2, 3)
// Distribute the sq work across two goroutines that both read from in. c1 := sq(in) c2 := sq(in)
// Consume the merged output from c1 and c2. for n := range merge(c1, c2) { fmt.Println(n) // 4 then 9, or 9 then 4 } } |
merge函数为每一个输入channel启动一个goroutine,goroutine将数据拷贝到同一个输出channel。这样就将多个channel转换成一个channel。一旦所有的output goroutine启动起来,merge就启动另一个goroutine,在所有输入拷贝完毕后关闭输出channel。
向一个关闭了的channel发送数据会触发异常,所以在调用close之前确认所有的发送动作都执行完毕很重要。sync.WaitGroup类型为这种同步提供了一种简便的方法:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 |
func merge(cs ...<-chan int) <-chan int { var wg sync.WaitGroup out := make(chan int)
// Start an output goroutine for each input channel in cs. output // copies values from c to out until c is closed, then calls wg.Done. output := func(c <-chan int) { for n := range c { out <- n } wg.Done() } wg.Add(len(cs)) for _, c := range cs { go output(c) }
// Start a goroutine to close out once all the output goroutines are // done. This must start after the wg.Add call. go func() { wg.Wait() close(out) }() return out } |
我们所有的管道函数都遵循一种模式:
· 发送者在发送完毕时关闭其输出channel
· 接收者持续从输入管道接收数据直到输入管道关闭。
这种模式使得每一个接收函数都能写成一个range循环,保证所有的goroutine在数据成功发送到下游后就关闭。
但是在真实的案例中,并不是所有的输入数据都需要被接收处理。有些时候是故意这么设计的:接收者可能只需要数据的子集就够了;或者更一般的,因为输入数据有错误而导致接收函数提早退出。上面任何一种情况下,接收者都不应该继续等待后续的数据到来,并且我们希望上游函数停止生成后续步骤已经不需要的数据。
在我们的管道例子中,如果一个阶段无法消费所有的输入数据,那些发送这些数据的goroutine就会一直阻塞下去:
1 2 3 4 5 6 7 |
// Consume the first value from output. out := merge(c1, c2) fmt.Println(<-out) // 4 or 9 return // Since we didn't receive the second value from out, // one of the output goroutines is hung attempting to send it. } |
这是一种资源泄漏:goroutine会占用内存和运行时资源。goroutine栈持有的堆引用会阻止GC回收资源。而且goroutine不能被垃圾回收,必须主动退出。
我们必须重新设计管道中的上游函数,在下游函数无法接收所有输入数据时退出。一种方法就是让输出channel拥有一定的缓存。缓存可以存储一定数量的数据。如果缓存空间足够,发送操作就会马上返回:
1 2 3 4 |
c := make(chan int, 2) // buffer size 2 c <- 1 // succeeds immediately c <- 2 // succeeds immediately c <- 3 // blocks until another goroutine does <-c and receives 1 |
如果在channel创建时就知道需要发送数据的数量,带缓存的channel会简化代码。例如,我们可以重写gen函数,拷贝一系列的整数到一个带缓存的channel而不是创建一个新的goroutine:
1 2 3 4 5 6 7 8 |
func gen(nums ...int) <-chan int { out := make(chan int, len(nums)) for _, n := range nums { out <- n } close(out) return out } |
反过来我们看管道中被阻塞的goroutine,我们可以考虑为merge函数返回的输出channel增加一个缓存:
1 2 3 4 |
func merge(cs ...<-chan int) <-chan int { var wg sync.WaitGroup out := make(chan int, 1) // enough space for the unread inputs // ... the rest is unchanged ... |
虽然这样可以避免了程序中goroutine的阻塞,但这是很烂的代码。选择缓存大小为1取决于知道merge函数接收数字的数量和下游函数消费数字的数量。这是很不稳定的:如果我们向gen多发送了一个数据,或者下游函数少消费了数据,我们就又一次阻塞了goroutine。
然而,我们需要提供一种方式,下游函数可以通知上游发送者下游要停止接收数据。
当main函数决定在没有从out接收所有的数据而要退出时,它需要通知上游的goroutine取消即将发送的数据。可以通过向一个叫做done的channel发送数据来实现。因为有两个潜在阻塞的goroutine,main函数会发送两个数据:
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 |
func main() { in := gen(2, 3)
// Distribute the sq work across two goroutines that both read from in. c1 := sq(in) c2 := sq(in)
// Consume the first value from output. done := make(chan struct{}, 2) out := merge(done, c1, c2) fmt.Println(<-out) // 4 or 9
// Tell the remaining senders we're leaving. done <- struct{}{} done <- struct{}{} } |
对发送goroutine而言,需要将发送操作替换为一个select语句,要么out发生发送操作,要么从done接收数据。done的数据类型是空的struct,因为其值无关紧要:仅仅表示out需要取消发送操作。output 继续在输入channel循环执行,因此上游函数是不会阻塞的。(接下来我们会讨论如何让循环提早退出)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 |
func merge(done <-chan struct{}, cs ...<-chan int) <-chan int { var wg sync.WaitGroup out := make(chan int)
// Start an output goroutine for each input channel in cs. output // copies values from c to out until c is closed or it receives a value // from done, then output calls wg.Done. output := func(c <-chan int) { for n := range c { select { case out <- n: case <-done: } } wg.Done() } // ... the rest is unchanged ... |
这种方法有一个问题:每一个下游函数需要知道潜在可能阻塞的上游发送者发送报文的数量,以发送响应的信号让其提早退出。跟踪这些数量是无趣的而且很容易出错。
我们需要一种能够让未知或无界数量的goroutine都能够停止向下游发送数据的方法。在Go中,我们可以通过关闭一个channel实现。因为从一个关闭了的channel执行接收操作总能马上成功,并返回相应数据类型的零值。
这意味着main函数仅通过关闭done就能实现将所有的发送者解除阻塞。关闭操作是一个高效的对发送者的广播信号。我们扩展管道中所有的函数接受done作为一个参数,并通过defer来实现相应channel的关闭操作。因此,无论main函数在哪一行退出都会通知上游退出。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 |
func main() { // Set up a done channel that's shared by the whole pipeline, // and close that channel when this pipeline exits, as a signal // for all the goroutines we started to exit. done := make(chan struct{}) defer close(done)
in := gen(done, 2, 3)
// Distribute the sq work across two goroutines that both read from in. c1 := sq(done, in) c2 := sq(done, in)
// Consume the first value from output. out := merge(done, c1, c2) fmt.Println(<-out) // 4 or 9
// done will be closed by the deferred call. } |
现在每一个管道函数在done被关闭后就可以马上返回了。merge函数中的output可以在接收管道的数据消费完之前返回,因为output函数知道上游发送者sq会在done关闭后停止产生数据。同时,output通过defer语句保证wq.Done会在所有退出路径上调用。
这里有个机制:
Ø 首先保证sq退出,sq退出,源头的生产者就没有了,merge里面的 for range 就会退出;
Ø 如果恰巧阻塞到merge 的select里面,也由于done已经关闭,对导致解除阻塞而退出;
(原因是:一般通知生产者停止生产时,消费者已经不去消费了case out <- n: 会阻塞,所以slect 中的
case <-done:
ruturn
能够执行 select 多个chan 都已经准备就绪,选择是随机的,这就说明sq肯定有机会退出)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 |
func merge(done <-chan struct{}, cs ...<-chan int) <-chan int { var wg sync.WaitGroup out := make(chan int)
// Start an output goroutine for each input channel in cs. output // copies values from c to out until c or done is closed, then calls // wg.Done. output := func(c <-chan int) { defer wg.Done() for n := range c { select { case out <- n: case <-done: //这里使用的是闭包 return } } } wg.Add(len(cs)) for _, c := range cs { go output(c) }
// Start a goroutine to close out once all the output goroutines are // done. This must start after the wg.Add call. go func() { wg.Wait() close(out) }() return out } |
类似的,sq也可以在done关闭后马上返回。sq通过defer语句使得任何退出路径都能关闭其输出channel out。
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
func sq(done <-chan struct{}, in <-chan int) <-chan int { out := make(chan int) go func() { defer close(out) for n := range in { select { case out <- n * n: case <-done: return } } }() return out } |
· 管道构建的指导思想如下:
· 每一个阶段在所有发送操作完成后关闭输出channel。
· 每一个阶段持续从输入channel接收数据直到输入channel被关闭或者生产者被解除阻塞(译者:生产者退出)
·
· 管道解除生产者阻塞有两种方法:
· 要么保证有足够的缓存空间存储将要被生产的数据;
· 要么显式的通知生产者消费者要取消接收数据;
经验
l 一般情况下有发送者主动关闭chan,特殊情况下才由消费者发信号告知生产者关闭chan, 避免生产者的goroutine一直阻塞;
l 这里使用了一个技巧就是:读取被关闭的channel会立马返回,是不会阻塞的,返回值是chan type的零值;select 与之结合天衣无缝的扑捉到关闭信号然后,生产者停止生产退出关闭channel,释放资源。
让我们来看一个更为实际的管道。
MD5是一个信息摘要算法,对于文件校验非常有用。命令行工具md5sum很有用,可以打印一系列文件的摘要值。
1
2
3
4
5
|
%
md5sum
*
.
go
d47c2bbc28298ca9befdfbc5d3aa4e65
bounded
.
go
ee869afd31f83cbb2d10ee81b2b831dc
parallel
.
go
b88175e65fdcbc01ac08aaf1fd9b5e96
serial
.
go
|
我们的例子程序和md5sum类似,但是接受一个单一的文件夹作为参数,打印该文件夹下每一个普通文件的摘要值,并按路径名称排序。
1
2
3
4
5
|
%
go
run
serial
.
go
.
d47c2bbc28298ca9befdfbc5d3aa4e65
bounded
.
go
ee869afd31f83cbb2d10ee81b2b831dc
parallel
.
go
b88175e65fdcbc01ac08aaf1fd9b5e96
serial
.
go
|
我们程序的main函数调用一个工具函数MD5ALL,该函数返回一个从路径名称到摘要值的哈希表,然后排序并输出结果:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
|
func
main
(
)
{
// Calculate the MD5 sum of all files under the specified directory,
// then print the results sorted by path name.
m
,
err
:
=
MD5All
(
os
.
Args
[
1
]
)
if
err
!=
nil
{
fmt
.
Println
(
err
)
return
}
var
paths
[
]
string
for
path
:
=
range
m
{
paths
=
append
(
paths
,
path
)
}
sort
.
Strings
(
paths
)
for
_
,
path
:
=
range
paths
{
fmt
.
Printf
(
"%x %s\n"
,
m
[
path
]
,
path
)
}
}
|
MD5ALL是我们讨论的核心。在 serial.go中,没有采用任何并发,仅仅遍历文件夹,读取文件并求出摘要值。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
// MD5All reads all the files in the file tree rooted at root and returns a map
// from file path to the MD5 sum of the file's contents. If the directory walk
// fails or any read operation fails, MD5All returns an error.
func
MD5All
(
root
string
)
(
map
[
string
]
[
md5
.
Size
]
byte
,
error
)
{
m
:
=
make
(
map
[
string
]
[
md5
.
Size
]
byte
)
err
:
=
filepath
.
Walk
(
root
,
func
(
path
string
,
info
os
.
FileInfo
,
err
error
)
error
{
if
err
!=
nil
{
return
err
}
if
info
.
IsDir
(
)
{
return
nil
}
data
,
err
:
=
ioutil
.
ReadFile
(
path
)
if
err
!=
nil
{
return
err
}
m
[
path
]
=
md5
.
Sum
(
data
)
return
nil
}
)
if
err
!=
nil
{
return
nil
,
err
}
return
m
,
nil
}
|
并行摘要求值
在parallel.go中,我们将MD5ALL分成两阶段的管道。第一个阶段,sumFiles,遍历文件夹,每个文件一个goroutine进行求摘要值,然后将结果发送一个数据类型为result的channel中:
1
2
3
4
5
|
type
result
struct
{
path
string
sum
[
md5
.
Size
]
byte
err
error
}
|
sumFiles 返回两个channel:一个用于生成结果,一个用于filepath.Walk返回错误。Walk函数为每一个普通文件启动一个goroutine,然后检查done,如果done被关闭,walk马上就会退出。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
|
func
sumFiles
(
done
<
-
chan
struct
{
}
,
root
string
)
(
<
-
chan
result
,
<
-
chan
error
)
{
// For each regular file, start a goroutine that sums the file and sends
// the result on c. Send the result of the walk on errc.
c
:
=
make
(
chan
result
)
errc
:
=
make
(
chan
error
,
1
)
go
func
(
)
{
var
wg
sync
.
WaitGroup
err
:
=
filepath
.
Walk
(
root
,
func
(
path
string
,
info
os
.
FileInfo
,
err
error
)
error
{
if
err
!=
nil
{
return
err
}
if
info
.
IsDir
(
)
{
return
nil
}
wg
.
Add
(
1
)
go
func
(
)
{
data
,
err
:
=
ioutil
.
ReadFile
(
path
)
select
{
case
c
<
-
result
{
path
,
md5
.
Sum
(
data
)
,
err
}
:
case
<
-
done
:
}
wg
.
Done
(
)
}
(
)
// Abort the walk if done is closed.
select
{
case
<
-
done
:
return
errors
.
New
(
"walk canceled"
)
default
:
return
nil
}
}
)
// Walk has returned, so all calls to wg.Add are done. Start a
// goroutine to close c once all the sends are done.
go
func
(
)
{
wg
.
Wait
(
)
close
(
c
)
}
(
)
// No select needed here, since errc is buffered.
errc
<
-
err
}
(
)
return
c
,
errc
}
|
MD5All 从c中接收摘要值。MD5All 在遇到错误时提前退出,通过defer关闭done。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
|
func
MD5All
(
root
string
)
(
map
[
string
]
[
md5
.
Size
]
byte
,
error
)
{
// MD5All closes the done channel when it returns; it may do so before
// receiving all the values from c and errc.
done
:
=
make
(
chan
struct
{
}
)
defer
close
(
done
)
c
,
errc
:
=
sumFiles
(
done
,
root
)
m
:
=
make
(
map
[
string
]
[
md5
.
Size
]
byte
)
for
r
:
=
range
c
{
if
r
.
err
!=
nil
{
return
nil
,
r
.
err
}
m
[
r
.
path
]
=
r
.
sum
}
if
err
:
=
<
-
errc
;
err
!=
nil
{
return
nil
,
err
}
return
m
,
nil
}
|
parallel.go中实现的MD5ALL,对每一个文件启动了一个goroutine。在一个包含大量大文件的文件夹中,这会导致超过机器可用内存的内存分配。(译者注:即发生OOM)
我们可以通过限制读取文件的并发度来避免这种情况发生。在bounded.go中,我们通过创建一定数量的goroutine读取文件。现在我们的管道现在有三个阶段:遍历文件夹,读取文件并计算摘要值,收集摘要值。
第一个阶段,walkFiles,输出文件夹中普通文件的文件路径:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
|
func
walkFiles
(
done
<
-
chan
struct
{
}
,
root
string
)
(
<
-
chan
string
,
<
-
chan
error
)
{
paths
:
=
make
(
chan
string
)
errc
:
=
make
(
chan
error
,
1
)
go
func
(
)
{
// Close the paths channel after Walk returns.
defer
close
(
paths
)
// No select needed for this send, since errc is buffered.
errc
<
-
filepath
.
Walk
(
root
,
func
(
path
string
,
info
os
.
FileInfo
,
err
error
)
error
{
if
err
!=
nil
{
return
err
}
if
info
.
IsDir
(
)
{
return
nil
}
select
{
case
paths
<
-
path
:
case
<
-
done
:
return
errors
.
New
(
"walk canceled"
)
}
return
nil
}
)
}
(
)
return
paths
,
errc
}
|
中间的阶段启动一定数量的digester goroutine,从paths接收文件名称,并向c发送result结构:
1
2
3
4
5
6
7
8
9
10
|
func
digester
(
done
<
-
chan
struct
{
}
,
paths
<
-
chan
string
,
c
chan
<
-
result
)
{
for
path
:
=
range
paths
{
data
,
err
:
=
ioutil
.
ReadFile
(
path
)
select
{
case
c
<
-
result
{
path
,
md5
.
Sum
(
data
)
,
err
}
:
case
<
-
done
:
return
}
}
}
|
和前一个例子不同,digester并不关闭其输出channel,因为输出channel是共享的,多个goroutine会向同一个channel发送数据。MD5All 会在所有的digesters 结束后关闭响应的channel。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
|
// Start a fixed number of goroutines to read and digest files.
c
:
=
make
(
chan
result
)
var
wg
sync
.
WaitGroup
const
numDigesters
=
20
wg
.
Add
(
numDigesters
)
for
i
:
=
0
;
i
<
numDigesters
;
i
++
{
go
func
(
)
{
digester
(
done
,
paths
,
c
)
wg
.
Done
(
)
}
(
)
}
go
func
(
)
{
wg
.
Wait
(
)
close
(
c
)
}
(
)
|
我们也可以让每一个digester创建并返回自己的输出channel,但如果这样的话,我们需要额外的goroutine来扇入这些结果。
最后一个阶段从c中接收所有的result数据,并从errc中检查错误。这种检查不能在之前的阶段做,因为在这之前,walkFiles 可能被阻塞不能往下游发送数据:
1
2
3
4
5
6
7
8
9
10
11
12
13
|
m
:
=
make
(
map
[
string
]
[
md5
.
Size
]
byte
)
for
r
:
=
range
c
{
if
r
.
err
!=
nil
{
return
nil
,
r
.
err
}
m
[
r
.
path
]
=
r
.
sum
}
// Check whether the Walk failed.
if
err
:
=
<
-
errc
;
err
!=
nil
{
return
nil
,
err
}
return
m
,
nil
}
|
这篇文章介绍了如果用Go构建流式数据管道的技术。在这样的管道中处理错误有点取巧,因为管道中每一个阶段可能被阻塞不能往下游发送数据,下游阶段可能已经不关心输入数据。我们展示了关闭channel如何向所有管道启动的goroutine广播一个done信号,并且定义了正确构建管道的指导思想。
深入阅读:
• Go并发模式(视频)展示了Go并发原语的基本概念和几个实现的方法
• 高级Go并发模式(视频)包含几个更为复杂的Go并发原语的使用,尤其是select
• Douglas McIlroy的Squinting at Power Series论文展示了类似Go的并发模式如何为复杂的计算提供优雅的支持。