并发模式

并发模式并不是一种函数的运用、亦或者实际存在的东西。他是前人对于并发场景的运用总结与经验。他与23中设计模式一样。好啦，话不多说。开干

无论是如何厉害的架构还是编程方式，我始终相信都是从零开始，不断的抽象，不断的迭代的。抽象思维对于我们尤为重要。那么我们也带着这样的一个疑问。思考到底什么是抽象

首先我们将要学习的是work pool模式

work pool

不知道大家是否在go并发的时候遇见过以下几个问题或者想法

• goroutine的数量控制可能并不是那么称心如意
• goroutine，创造过多，造成资源浪费。且并发效果也并非那么好。他正如正态分布那样。到达某个极点所带来的收益将会下降
• goroutine复用的问题，往往一个goroutine都只处理了一个任务。不断的创建与删除
• 甚至更多。。。

workpool，首先分析以上问题，我个人总结都以上其实是一个问题，groutine与任务死死的绑定，并没有进行解耦。比如像这样。

// example
package main

import (
    "fmt"
    "time"
)

func exs(accept <-chan int, recipient chan<- int) {
    for result := range accept {
        fmt.Println("Received only sent channel a:", result)
        recipient <- result + 2
    }

    //fmt.Println("Send Only", recipient)
}

func main() {
    startTime := time.Now()
    ch := make(chan int, 10)
    for i := 0; i < 100; i++ {
        go func(ch <-chan int) {
            time.Sleep(time.Second * 5)
            fmt.Println(<-ch)
        }(ch)
        ch <- i
    }

那么我们来改造一下，然后进行代码剖析。代码如下

package main

import (
    "fmt"
    "time"
)

func work(id int, jobs <-chan int, result chan<- int) {
    for j := range jobs {
        fmt.Println("Worker [ID]", id, "Start Process JoB [Id]", j)
        time.Sleep(time.Second * 2)
        //fmt.Println("Working, will Spend 2 s")
        fmt.Println("Worker [ID]", id, "Carry Process JoB [Id]", j)
        result <- j * 2
    }

}

func main() {
    const jobNumber = 1000
    const workerNumber = 100

    jobs := make(chan int, workerNumber)
    result := make(chan int, jobNumber)

    // Create Worker(start Goroutines)
    for w := 0; w <= workerNumber; w++ {
        go work(w, jobs, result)
    }

    // arrange work
    for j := 0; j <= jobNumber; j ++ {
        jobs <- j
    }

    // 获取结果
    for r := 0; r <= jobNumber; r ++ {
        <- result
    }
}

work pool的精髓在于将任务，与groutine进行分离。只关心初始的任务与结果。是不是与函数式编程很像呢？我也这么觉得，嘻嘻

来吧，我们剖析一下代码

1. 首先我们定义了两个常量（建议是常量），jobNum与workerNumber，故名思义他们分别是任务数量，以及工人数量。你可以将他们看出生产者与消费者。
2. 我们定义了两个channel，他们作为我们发送指令与获取结果的通道。记得加缓存哦，否则将造成死锁
3. 最后就是分别定义消费者-groutine，生产者jobNumber，然后传递任务进入goroutine。然后我们就只需要得到结果就好啦

nice，虽然很简单。但也有无限的可能性哦。你还可以进一步抽象，变成一个通用的goroutine pool。

Pipeline 模式

Pipeline 模式也称为流水线模式，模拟的就是现实世界中的流水线生产。

从技术上看，每一道工序的输出，就是下一道工序的输入，在工序之间传递的东西就是数据，这种模式称为流水线模式，而传递的数据称为数据流。下面我们用代码模拟柴火烧饭的过程

package main

import "fmt"

func main() {
    combust := wash(10)
    rice := combustion(combust)
    packs := open(rice)
    //输出测试，看看效果
    for p := range packs {
        fmt.Println(p)
    }
}

func wash(n int) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        for i := 1; i <= n; i++ {
            out <- fmt.Sprint("洗米", i)
        }
    }()
    return out
}
func combustion(in <-chan string) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        for c := range in {
            out <- "烧饭(" + c + ")"
        }
    }()
    return out
}

func open(in <-chan string) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        for c := range in {
            out <- "开锅(" + c + ")"
        }
    }()
    return out
}

开锅(烧饭(洗米1))
开锅(烧饭(洗米2))
开锅(烧饭(洗米3))
开锅(烧饭(洗米4))
开锅(烧饭(洗米5))
开锅(烧饭(洗米6))
开锅(烧饭(洗米7))
开锅(烧饭(洗米8))
开锅(烧饭(洗米9))
开锅(烧饭(洗米10))

首先，我为什么一定强调是柴火烧饭呢，难道柴火香一点？那可不，必须的。

其实再这里，我们需要思考一个问题，什么是可异步的，什么是不可异步的？

拓展：

可异步：例如网络请求，发送网络请求后，立马发送下一个。尽量减少网络io阻塞，从而提高效率。可前提是，网络io阻塞可以不用等待

不可异步：也就是说我们每一步都必须参与其中，计算机它无法独自去完成。例如柴火烧饭，没柴火咋烧饭，魔法么。当然你硬要说火烧一次就一直可以不需要人去干预，那咱也没办法了不是

在这里，生产者与消费者可能并不像之前那么分的那么开了，首先

洗米（生产者）

烧饭（消费者、生产者）

开锅（消费者）

这种模式称为流水线模式，而传递的数据称为数据流

分治模式

就像前面所说那样，每一道必须依靠前面完成了才能进行下一步，但我们发现其中烧饭或者太慢了，我们可以分而治之，然后合并。也可以达到我们需要的效果。

package main

import (
    "fmt"
    "sync"
    "time"
)

func main() {
    combust := wash(10)
    rice1 := combustion(combust)
    rice2 := combustion(combust)
    rice3 := combustion(combust)
    rice := merge(rice1, rice2, rice3)
    packs := open(rice)
    //输出测试，看看效果
    for p := range packs {
        fmt.Println(p)
    }
}

func wash(n int) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        for i := 1; i <= n; i++ {
            out <- fmt.Sprint("洗米", i)
        }
    }()
    return out
}
func combustion(in <-chan string) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        time.Sleep(2)
        for c := range in {
            out <- "烧饭(" + c + ")"
        }
    }()
    return out
}

func open(in <-chan string) <-chan string {
    out := make(chan string)
    go func() {
        defer close(out)
        for c := range in {
            out <- "开锅(" + c + ")"
        }
    }()
    return out
}

func merge(ins ...<-chan string) <-chan string {
    var wg sync.WaitGroup
    out := make(chan string)
    //把一个channel中的数据发送到out中
    p := func(in <-chan string) {
        defer wg.Done()
        for c := range in {
            out <- c
        }
    }
    wg.Add(len(ins))
    //扇入，需要启动多个goroutine用于处于多个channel中的数据
    for _, cs := range ins {
        go p(cs)
    }
    //等待所有输入的数据ins处理完，再关闭输出out
    go func() {
        wg.Wait()
        close(out)
    }()
    return out
}

Futures 模式

Pipeline 流水线模式中的工序是相互依赖的，上一道工序做完，下一道工序才能开始。但是在我们的实际需求中，也有大量的任务之间相互独立、没有依赖，所以为了提高性能，这些独立的任务就可以并发执行。

举个例子，比如我打算自己做顿火锅吃，那么就需要洗菜、烧水。洗菜、烧水这两个步骤相互之间没有依赖关系，是独立的，那么就可以同时做，但是最后做火锅这个步骤就需要洗好菜、烧好水之后才能进行。这个做火锅的场景就适用 Futures 模式。

Futures 模式可以理解为未来模式，主协程不用等待子协程返回的结果，可以先去做其他事情，等未来需要子协程结果的时候再来取，如果子协程还没有返回结果，就一直等待

Futures 模式下的协程和普通协程最大的区别是可以返回结果，而这个结果会在未来的某个时间点使用。所以在未来获取这个结果的操作必须是一个阻塞的操作，要一直等到获取结果为止。

如果你的大任务可以拆解为一个个独立并发执行的小任务，并且可以通过这些小任务的结果得出最终大任务的结果，就可以使用 Futures 模式。

Referer

22讲通关go语言-飞雪无情