在上一节课程中，我们实战了广度优先搜索算法，不过我们对网站的爬取都是在一个协程中进行的。在真实的实践场景中，我们常常需要爬取多个初始网站，我们希望能够同时爬取这些网站。这就需要合理调度和组织爬虫任务了。因此，这节课的重点就是实战任务调度的高并发模型，使资源得到充分的利用。
实战调度引擎
首先，我们新建一个文件夹 engine 用于存储调度引擎的代码，核心的调度逻辑位于 ScheduleEngine.Run 中。这部分的完整代码位于 tag v0.1.4，你可以对照代码进行查看。 调度引擎主要目标是完成下面几个功能：
- 创建调度程序，接收任务并将任务存储起来；
- 执行调度任务，通过一定的调度算法将任务调度到合适的 worker 中执行；
- 创建指定数量的 worker，完成实际任务的处理；
- 创建数据处理协程，对爬取到的数据进行进一步处理。
func (s *ScheduleEngine) Run() {
requestCh := make(chan *collect.Request)
workerCh := make(chan *collect.Request)
out := make(chan collect.ParseResult)
s.requestCh = requestCh
s.workerCh = workerCh
s.out = out
go s.Schedule()
}
Run 方法首先初始化了三个通道。其中，requestCh 负责接收请求，workerCh 负责分配任务给 worker，out 负责处理爬取后的数据，完成下一步的存储操作。schedule 函数会创建调度程序，负责的是调度的核心逻辑。
第一步我们来看看 schedule 函数如何接收任务并完成任务的调度。
schedule 函数如下所示，其中，requestCh 通道接收来自外界的请求，并将请求存储到 reqQueue 队列中。workerCh 通道负责传送任务，后面每一个 worker 将获取该通道的内容，并执行对应的操作。
在这里，我们使用了 for 语句，让调度器循环往复地获取外界的爬虫任务，并将任务分发到 worker 中。如果任务队列 reqQueue 大于 0，意味着有爬虫任务，这时我们获取队列中第一个任务，并将其剔除出队列。最后 ch <- req 会将任务发送到 workerCh 通道中，等待 worker 接收。
func (s *Schedule) Schedule() {
var reqQueue = s.Seeds
go func() {
for {
var req *collect.Request
var ch chan *collect.Request
if len(reqQueue) > 0 {
req = reqQueue[0]
reqQueue = reqQueue[1:]
ch = s.workerCh
}
select {
case r := <-s.requestCh:
reqQueue = append(reqQueue, r)
case ch <- req:
}
}
}()
}
通道还有一个特性，就是我们往 nil 通道中写入数据会陷入到堵塞的状态。因此，如果 reqQueue 为空，这时 req 和 ch 都是 nil，当前协程就会陷入到堵塞的状态，直到接收到新的请求才会被唤醒。我们可以用一个例子来验证这一特性：
func main() {
var ch chan *int
go func() {
<-ch
}()
select {
case ch <- nil:
fmt.Println("it's time")
}
}
在这个例子中，运行后会出现死锁，因为当前程序全部陷入到了无限堵塞的状态。
fatal error: all goroutines are asleep - deadlock!
调度引擎除了启动 schedule 函数，还需要安排多个实际干活的 worker 程序。
下一步，让我们创建指定数量的 worker，完成实际任务的处理。其中 WorkCount 为执行任务的数量，可以灵活地去配置。
func (s *ScheduleEngine) Run() {
...
go s.Schedule()
for i := 0; i < s.WorkCount; i++ {
go s.CreateWork()
}
}
这里的 CreateWork 创建出实际处理任务的函数，它又细分为下面几个步骤：
- ←s.workerCh 接收到调度器分配的任务；
- s.fetcher.Get 访问服务器，r.ParseFunc 解析服务器返回的数据；
- s.out ← result 将返回的数据发送到 out 通道中，方便后续的处理。
func (s *Schedule) CreateWork() {
for {
r := <-s.workerCh
body, err := s.Fetcher.Get(r)
if err != nil {
s.Logger.Error("can't fetch ",
zap.Error(err),
)
continue
}
result := r.ParseFunc(body, r)
s.out <- result
}
}
最后一步，我们需要单独安排一个函数来处理爬取并解析后的数据结构，完整的函数如下：
func (s *Schedule) HandleResult() {
for {
select {
case result := <-s.out:
for _, req := range result.Requesrts {
s.requestCh <- req
}
for _, item := range result.Items {
// todo: store
s.Logger.Sugar().Info("get result", item)
}
}
}
}
在 HandleResult 函数中，<-s.out 接收所有 worker 解析后的数据，其中要进一步爬取的 Requests 列表将全部发送回 s.requestCh 通道，而 result.Items 里包含了我们实际希望得到的结果，所以我们先用日志把结果打印出来。
最后，让我们用之前介绍的爬取豆瓣小组的例子来验证调度器的功能。
在 main 函数中，生成初始网址列表作为种子任务。构建 engine.Schedule，设置 worker 的数量，采集器 Fetcher 和日志 Logger，并调用 s.Run() 运行调度器。
func main(){
var seeds []*collect.Request
for i := 0; i <= 0; i += 25 {
str := fmt.Sprintf("<https://www.douban.com/group/szsh/discussion?start=%d>", i)
seeds = append(seeds, &collect.Request{
Url: str,
WaitTime: 1 * time.Second,
Cookie: "xxx",
ParseFunc: doubangroup.ParseURL,
})
}
var f collect.Fetcher = &collect.BrowserFetch{
Timeout: 3000 * time.Millisecond,
Logger: logger,
Proxy: p,
}
s := engine.Schedule{
WorkCount: 5,
Logger: logger,
Fetcher: f,
Seeds: seeds,
}
s.Run()
}
输出结果为：
{"level":"INFO","ts":"2022-10-19T00:55:54.281+0800","caller":"engine/schedule.go:78","msg":"get result: <https://www.douban.com/group/topic/276978032/>"}
{"level":"INFO","ts":"2022-10-19T00:55:54.355+0800","caller":"engine/schedule.go:78","msg":"get result: <https://www.douban.com/group/topic/276973871/>"}
函数式选项模式
在上面的例子中，我们初始化 engine.Schedule 时将一系列的参数传递到了结构体当中。在实践中可能会有几十个参数等着我们赋值，从面向对象的角度来看，不同参数的灵活组合可能会带来不同的调度器类型。在实践中为了方便使用，开发者可能会创建非常多的 API 来满足不同场景的需要，如下所示：
// 基本调度器
func NewBaseSchedule() *Schedule {
return &Schedule{
WorkCount: 1,
Fetcher：baseFetch,
}
}
// 多worker调度器
func NewMultiWorkSchedule(workCount int) *Schedule {
return &Schedule{
WorkCount: workCount,
Fetcher：baseFetch,
}
}
// 代理调度器
func NewProxySchedule(proxy string) *Schedule {
return &Schedule{
WorkCount: 1,
Fetcher：proxyFetch(proxy),
}
}
随着参数的不断增多，这种 API 会变得越来越多，这就增加了开发者的心理负担。另一种使用方式就是传递一个统一的 Config 配置结构，如下所示。这种方式只需要创建单个 API，但是需要在内部对所有的变量进行判断，繁琐且不优雅。对于使用者来说，也很难确定自己需要使用哪一个字段。
type Config struct {
WorkCount int
Fetcher collect.Fetcher
Logger *zap.Logger
Seeds []*collect.Request
}
func NewSchedule(c *Config) *Schedule {
var s = &Schedule{}
if c.Seeds != nil {
s.Seeds = c.Seeds
}
if c.Fetcher != nil {
s.Fetcher = c.Fetcher
}
if c.Logger != nil {
s.Logger = c.Logger
}
...
return s
}
那么有没有方法可以更加优雅地处理这种多参数配置问题呢？
Rob Pike 在 2014 年的一篇博客中提到了一种优雅的处理方法叫做函数式选项模式 (Functional Options)。这种模式展示了闭包函数的有趣用途，目前在很多开源库中都能看到它的身影，我们项目中使用的日志库 Zap 也使用了这种模式。下面我以上面 schedule 的配置为例来说明函数式选项模式（完整代码请查看tag v0.1.5）。 第一步，我们要对 schedule 结构进行改造，把可以配置的参数放入到options 结构中：
type Schedule struct {
requestCh chan *collect.Request
workerCh chan *collect.Request
out chan collect.ParseResult
options
}
type options struct {
WorkCount int
Fetcher collect.Fetcher
Logger *zap.Logger
Seeds []*collect.Request
}
第二步，我们需要书写一系列的闭包函数，这些函数的返回值是一个参数为 options 的函数：
type Option func(opts *options)
func WithLogger(logger *zap.Logger) Option {
return func(opts *options) {
opts.Logger = logger
}
}
func WithFetcher(fetcher collect.Fetcher) Option {
return func(opts *options) {
opts.Fetcher = fetcher
}
}
func WithWorkCount(workCount int) Option {
return func(opts *options) {
opts.WorkCount = workCount
}
}
func WithSeeds(seed []*collect.Request) Option {
return func(opts *options) {
opts.Seeds = seed
}
}
第三步，创建一个生成 schedule 的新函数，函数参数为 Option 的可变参数列表。defaultOptions 为默认的 Option，代表默认的参数列表，然后循环遍历可变函数参数列表并执行。
func NewSchedule(opts ...Option) *Schedule {
options := defaultOptions
for _, opt := range opts {
opt(&options)
}
s := &Schedule{}
s.options = options
return s
}
第四步，在 main 函数中调用 NewSchedule。让我们来看看函数式选项模式的效果：
func main(){
s := engine.NewSchedule(
engine.WithFetcher(f),
engine.WithLogger(logger),
engine.WithWorkCount(5),
engine.WithSeeds(seeds),
)
s.Run()
}
从这个例子中，我们可以看到函数式选项模式的好处：
- API 具有可扩展性，高度可配置化，新增参数不会破坏现有代码；
- 参数列表非常简洁，并且可以使用默认的参数；
- option 函数使参数的含义非常清晰，易于开发者理解和使用；
- 如果将 options 结构中的参数设置为小写，还可以限制这些参数的权限，防止这些参数在 package 外部使用。
刚才，我们实战了 fan-in 和 fan-out 高并发模型，并深度使用了通道和 select 的机制。接下来让我们更进一步，看一下实现通道和 select 机制的原理，掌握这种高并发模型的底层图像。
通道的底层原理
通道的实现并没有想象中复杂。它利用互斥锁实现了并发安全，只不过 Go 运行时为我们屏蔽了底层的细节。通道包括两种类型，一种是无缓冲的通道，另一种是带缓冲区的通道。通道的结构如下：
可以看到，通道中包含了数据的类型、大小、数量，堵塞协程队列，以及用于缓存区的诸多字段。我们先来看看无缓冲区的通道是怎么实现的。
无缓冲区的通道
通道需要有多个协程分别完成读和写的功能，这样才能保证数据传输是顺畅的。对于无缓冲区的通道来说，如果有一个协程正在将数据写入通道，但是当前没有协程读取数据，那么写入协程将立即陷入到休眠状态。写入协程堵塞之前协程会被封装到 sudog 结构中，并存储到写入的堵塞队列 sendq 中，之后协程陷入休眠。
之前我们介绍过，协程的堵塞是位于用户态的，协程切换时，运行时会保存当前协程的状态、并调用 gopark 函数切换到 g0 完成新一轮的调度。如果之后有协程读取数据，那么读取协程会立即读取 sendq 队列中第一个等待的协程，并将该协程对应的元素拷贝到读取协程中，同时调用 goready 唤醒写入协程，将写入协程放入到可运行队列中等待被调度器调度。
带缓冲区的通道
而对于带缓冲区的通道来说，假设缓存队列的数量为 N，那么如果写入的数据量不大于 N，写入协程就不会陷入到休眠状态，所有数据都会存储在缓冲队列中。
缓冲队列可以在一定程度上削峰填谷，加快处理速度。但是如果写入速度始终大于读取数据，那么缓冲区迟早也有写满的时候，到时候仍然会陷入堵塞，只是延迟了问题的暴露并带来内存的浪费。因此缓冲区的容量不可以过大，我们可以根据实际情况给出一个经验值。例如上面的爬虫案例中，我们就可以给接收任务的 requestCh 通道加上缓存区，先将缓存区设置为 500，这样就不会频繁堵塞住调度器了。
对于有缓存的通道，存储在 buf 中的数据虽然是线性的数组，但是这些数组和序号 recvx、recvq 模拟了一个环形队列。recvx 可以定位到 buf 是从哪个位置读取的通道中的元素，而 sendx 则能够找到写入时放入 buf 的位置，这样做主要是为了再次利用已经使用过的空间。从 recvx 到 sendx 的距离 qcount 就是通道队列中的元素数量。
Select 机制的底层原理
在前面的实战案例中，我们还看到了大量 channel 与 select 结合使用的场景。
受到通道特性的限制，如果单个通道被堵塞，协程就无法继续执行了。那有没有一种机制可以像网络中的多路复用一样，监听多个通道，使后续处理协程能够及时地运行？
其实就和网络中把 select 用于 Socket 的多路复用机制一样，Go 中也可以用 select 语句实现这样的多路复用机制。select 语句中的每一个 case 都对应着一个待处理的读取或写入通道。举个简单实用的例子，下面的程序如果 800 毫秒之后也接受不到通道 c 中的数据，定时器 time.After 就会接收到数据，从而打印 timeout。
select {
case <-c:
fmt.Println("random 01")
case <-time.After(800 * time.Millisecond):
fmt.Println("timeout")
}
借助 select 可以实现许多有表现力的设计，那 select 是如何工作的呢？
Select 底层调用了 selectgo 函数，它的工作可以分为三个部分：
- 第一部分涉及到遍历。selectgo 首先循环查找当前准备就绪的通道，如果能够找到，则正常进行后续处理。在具体的实现方式上，由于 select 内部的 scases 数组存储了所有需要管理的通道，所以很容易想到循环遍历 scases ，最终找到可用的通道。不过这可能导致一个问题，那就是如果前面的通道始终有数据，后面的通道将永远得不到执行的机会。为了解决这一问题，Go 语言为 select 加入了随机性，会利用洗牌算法随机打散数组顺序，保证了所有通道都有执行的机会。
- 第二部分涉及到协程的休眠。如果 select 找不到准备就绪的通道，这时和单个协程的堵塞一样，它会将当前协程放入到所有通道的等待队列中，并陷入到休眠状态。
- 第三部分涉及到协程的唤醒。如果有任意一个通道准备就绪，当前的协程将会被唤醒，并到准备就绪的 case 处继续执行。 要注意的一点是，最后 selectgo 会将 sudog 结构体从其他通道的等待队列中移出，因为当前协程已经能够正常运行，不再需要被其他通道唤醒了。
本文章来源于极客时间《Go 进阶 · 分布式爬虫实战》。
