微信号:go-programming-lang

介绍:重点介绍go语言的高级功能,比如interface、 reflection、goroutine、concurrency、memory model、testing、functional、toolchains等.

Go语言并发模型:以并行处理MD5为例

2016-08-21 16:59 Oscar 译

简介

Go语言的并发原语允许开发者以类似于 Unix Pipe 的方式构建数据流水线 (data pipelines),数据流水线能够高效地利用 I/O和多核 CPU 的优势。


本文要讲的就是一些使用流水线的一些例子,流水线的错误处理也是本文的重点。

阅读建议

本文是“Go语言并发模型:像Unix Pipe那样使用channel”一文的下半部分,但重点在于实践。


如果你对 channel 已经比较熟悉,则可以独立阅读。


如果你对 channel 和 go 两个关键字不太熟悉,建议先阅读上半部分。


本文所使用的例子是批量计算文件的MD5值,实现了 linux 下的 md5sum 命令。


我们首先会讲到 md5sum 的单线程版本,逐步深入到并发的初级和高级版本。

本文中绝大多数讲解都是基于代码进行的。


在文章末尾”相关链接”中可以下载三个版本的 md5sum 的实现。


单线程版的 md5sum

MD5 是一种广泛用于文件校验的 hash 算法。Linux 下的 md5sum 命令会打印一组文件的 md5值。它的使用方式如下:


% md5sum *.go
c33237079343a4d567a2a29df0b8e46e  bounded.go
a7e3771f2ed58d4b34a73566d93ce63a  parallel.go
1dc687202696d650594aaac56d579179  serial.go

我们的示例程序类似于 md5sum,但是它接收文件夹作为参数,并打印出每个文件的 md5值,打印结果按照路径排序。


下面这个例子是 打印当前目录下所有文件的 md5 值:


% go run serial.go .
c33237079343a4d567a2a29df0b8e46e  bounded.go
a7e3771f2ed58d4b34a73566d93ce63a  parallel.go
1dc687202696d650594aaac56d579179  serial.go


程序的 main 函数调用辅助函数 MD5All,它会返回路径名称到md5值的一个映射。main 函数中对结果进行排序以后,打印出来:


func main() {
    //
计算特定目录下所有文件的 md5
    // 然后按照路径名顺序打印结果
    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)
    }
}


本文中,函数 MD5All 是讨论的焦点。在 serial.go 的实现中,我们没有使用并发,而是逐个读取和计算 filepath.Walk 生成的目录和文件。代码如下:

// MD5All 读取 root 目录下的所有文件,
// 返回一个
map, map 存储了文件路径
// 到文件内容
md5值的映射
// 如果 Walk 执行失败,或者
// ioutil.ReadFile
读取失败
// MD5All 都会返回错误
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.Mode().IsRegular() {
            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
}

上面的代码中,filepath.Walk 接收两个参数,文件路径和函数指针。

只要是函数签名和返回值 满足 func(string, os.FileInfo, error) error,均可以作为第二参数传递给 filepath.Walk。

并发版的 md5sum

在这个版本的实现中,我们把 MD5All 切割成两个阶段的流水线。


第一阶段是 sumFiles,它遍历文件树,每个文件都在一个新的 goroutine 里计算md5值,然后将结果发送到一个result 类型的channel里。

result 类型的定义如下:

type result struct {
    path string
    sum  [md5.Size]byte
    err  error
}

sumFiles 返回两个 channel,一个用于接收 md5计算的结果,一个用于接收

filepath.Walk 产生的错误。


Walk 函数为每一个文件创建一个 goroutine,然后检查 done channel。


如果 done channel 被关闭,walk 函数立即停止执行。代码示例如下:

func sumFiles(done <-chan struct{}, root string) (<-chan result, <-chan error) {
    //
对于每一个普通文件,启动一个 gorotuine
   //  
计算文件 md5 值,
    // 然后将结果发送到 c
    // walk 的错误结果发送到 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.Mode().IsRegular() {
                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()
            }()
            // done channel
关闭时,终止 walk 函数
            select {
            case <-done:
                return errors.New("walk canceled")
            default:
                return nil
            }
        })
        // Walk
函数已经返回,所以所有对 wg.Add 的调用都会结束
        // 启动一个 goroutine它会在所有发送都结束时,关闭 c
        go func() {
            wg.Wait()
            close(c)
        }()
        //
这里不需要 select 语句,应为 errc 是缓冲管道
        errc <- err
    }()
    return c, errc
}

MD5All 从 c 接收 md5值。 MD5All 遇到错误时会提前返回,通过 defer 语句关闭 done channel:

func MD5All(root string) (map[string][md5.Size]byte, error) {
    // MD5All 在返回时 关闭 done channel
    // 在从 c 和 errc 接收数据之前,也可能关闭 done
    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
}

限制并发量

在 并发版 MD5All (parallel.go,下载链接见文章末尾) 的实现中, 我们为每个文件创建了一个 goroutine。


如果一个目录中包含很多大文件,可能出现OOM。


我们对并发读取的文件数目稍作限制,进而限制内存的分配。


点击 bounded.go(下载到文章末尾)查看限制并发版本的 md5sum。


为了实现限制的目的,我们创建固定数量的 goroutine 用于读取文件。


这里的流水线包含三个阶段:遍历文件和目录、读取并计算md5值、搜集和整合计算结果。


第一阶段时 walkFiles,它生成一个目录下每个普通文件的路径。代码如下:

func walkFiles(done <-chan struct{}, root string) (<-chan string, <-chan error) {
    paths := make(chan string)
    errc := make(chan error, 1)
    go func() {
        // Walk
函数返回时,关闭 channel paths
        defer close(paths)
        //
这里不需要select,因为 errc 是缓冲 channel
        errc <- filepath.Walk(root, func(path string, info os.FileInfo, err error) error {
            if err != nil {
                return err
            }
            if !info.Mode().IsRegular() {
                return nil
            }
            select {
            case paths <- path:
            case <-done:
                return errors.New("walk canceled")
            }
            return nil
        })
    }()
    return paths, errc
}

第二阶段创建固定个数的goroutine digester,每个 digester 从 paths channel 读取文件名,并将结果发送给 c。代码如下:

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
        }
    }
}


不像前面的例子,这里 digester 没有关闭输出 channel c,因为 多个 digester 在共享这个channel。


关闭操作放到  MD5All 中实现,当所有 digester 运行结束时,MD5All 关闭这个channel。代码如下:

     // 启动固定数量的 goroutine 处理文件
    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)
    }()

我们可以让每个 digester 创建和返回自己的输出 channel。如果这样做,我们还需要额外的 goroutine 去合并结果。


第三阶段从 channel c 接收结果,并从 channel errc 读取错误信息并执行检查。

检查操作不能在 c 读取结束之前完成,因为 walkFiles 函数可能会被阻塞而无法向下游阶段发送数据。 代码如下:

// ... 省略部分代码 ...
    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
}


关于Go语言并发模型,使用 Go内置的 channel 类型和 go 关键字实现高并发和并发控制的主题就先到这里。


在最近发布的 go 1.7中,在核心库中广泛加入了对 context 的支持,以便更好地控制并发和超时。但在这之前golang.org/x/net/context 包就一直存在,下一期我们将对 context 包及其应用场景进行讨论。


相关链接:

1. 原文链接:https://blog.golang.org/pipelines

2. serial.go:http://oat5ddzns.bkt.clouddn.com/src/piplines/serial.go

3. parallel.go:http://oat5ddzns.bkt.clouddn.com/src/piplines/parallel.go

4. bounded.go:http://oat5ddzns.bkt.clouddn.com/src/piplines/bounded.go

5. 下期文章:https://blog.golang.org/context



 
深入Go语言 更多文章 Go语言并发模型:像Unix Pipe那样使用channel Go语言反射三定律
猜您喜欢 从BAT看企业构建大数据体系的六层级 2016有哪些值得期待的科学事件? 一个程序员经历的IT公司面试及离职感受 活动回顾〡走进《从1到100-设计思维提升产品体验》 程序员被聘用的13个开发技能