示例: 并發的Web爬蟲 · The Go Programming Language

## 8.6. 示例: 并發的Web爬蟲在5.6節中，我們做了一個簡單的web爬蟲，用bfs(廣度優先)算法來抓取整個網站。在本節中，我們會讓這個爬蟲并行化，這樣每一個彼此獨立的抓取命令可以并行進行IO，最大化利用網絡資源。crawl函數和gopl.io/ch5/findlinks3中的是一樣的。 gopl.io/ch8/crawl1 ```go func crawl(url string) []string { fmt.Println(url) list, err := links.Extract(url) if err != nil { log.Print(err) } return list } ``` 主函數和5.6節中的breadthFirst(廣度優先)類似。像之前一樣，一個worklist是一個記錄了需要處理的元素的隊列，每一個元素都是一個需要抓取的URL列表，不過這一次我們用channel代替slice來做這個隊列。每一個對crawl的調用都會在他們自己的goroutine中進行并且會把他們抓到的鏈接發送回worklist。 ```go func main() { worklist := make(chan []string) // Start with the command-line arguments. go func() { worklist <- os.Args[1:] }() // Crawl the web concurrently. seen := make(map[string]bool) for list := range worklist { for _, link := range list { if !seen[link] { seen[link] = true go func(link string) { worklist <- crawl(link) }(link) } } } } ``` 注意這里的crawl所在的goroutine會將link作為一個顯式的參數傳入，來避免“循環變量快照”的問題(在5.6.1中有講解)。另外注意這里將命令行參數傳入worklist也是在一個另外的goroutine中進行的，這是為了避免channel兩端的main goroutine與crawler goroutine都嘗試向對方發送內容，卻沒有一端接收內容時發生死鎖。當然，這里我們也可以用buffered channel來解決問題，這里不再贅述。現在爬蟲可以高并發地運行起來，并且可以產生一大坨的URL了，不過還是會有倆問題。一個問題是在運行一段時間后可能會出現在log的錯誤信息里的： ``` $ go build gopl.io/ch8/crawl1 $ ./crawl1 http://gopl.io/ http://gopl.io/ https://golang.org/help/ https://golang.org/doc/ https://golang.org/blog/ ... 2015/07/15 18:22:12 Get ...: dial tcp: lookup blog.golang.org: no such host 2015/07/15 18:22:12 Get ...: dial tcp 23.21.222.120:443: socket: too many open files ... ``` 最初的錯誤信息是一個讓人莫名的DNS查找失敗，即使這個域名是完全可靠的。而隨后的錯誤信息揭示了原因：這個程序一次性創建了太多網絡連接，超過了每一個進程的打開文件數限制，既而導致了在調用net.Dial像DNS查找失敗這樣的問題。這個程序實在是太他媽并行了。無窮無盡地并行化并不是什么好事情，因為不管怎么說，你的系統總是會有一些個限制因素，比如CPU核心數會限制你的計算負載，比如你的硬盤轉軸和磁頭數限制了你的本地磁盤IO操作頻率，比如你的網絡帶寬限制了你的下載速度上限，或者是你的一個web服務的服務容量上限等等。為了解決這個問題，我們可以限制并發程序所使用的資源來使之適應自己的運行環境。對于我們的例子來說，最簡單的方法就是限制對links.Extract在同一時間最多不會有超過n次調用，這里的n一般小于文件描述符的上限值，比如20。這和一個夜店里限制客人數目是一個道理，只有當有客人離開時，才會允許新的客人進入店內(譯注：……)。我們可以用一個有容量限制的buffered channel來控制并發，這類似于操作系統里的計數信號量概念。從概念上講，channel里的n個空槽代表n個可以處理內容的token(通行證)，從channel里接收一個值會釋放其中的一個token，并且生成一個新的空槽位。這樣保證了在沒有接收介入時最多有n個發送操作。(這里可能我們拿channel里填充的槽來做token更直觀一些，不過還是這樣吧~)。由于channel里的元素類型并不重要，我們用一個零值的struct{}來作為其元素。讓我們重寫crawl函數，將對links.Extract的調用操作用獲取、釋放token的操作包裹起來，來確保同一時間對其只有20個調用。信號量數量和其能操作的IO資源數量應保持接近。 gopl.io/ch8/crawl2 ```go // tokens is a counting semaphore used to // enforce a limit of 20 concurrent requests. var tokens = make(chan struct{}, 20) func crawl(url string) []string { fmt.Println(url) tokens <- struct{}{} // acquire a token list, err := links.Extract(url) <-tokens // release the token if err != nil { log.Print(err) } return list } ``` 第二個問題是這個程序永遠都不會終止，即使它已經爬到了所有初始鏈接衍生出的鏈接。(當然，除非你慎重地選擇了合適的初始化URL或者已經實現了練習8.6中的深度限制，你應該還沒有意識到這個問題)。為了使這個程序能夠終止，我們需要在worklist為空或者沒有crawl的goroutine在運行時退出主循環。 ```go func main() { worklist := make(chan []string) var n int // number of pending sends to worklist // Start with the command-line arguments. n++ go func() { worklist <- os.Args[1:] }() // Crawl the web concurrently. seen := make(map[string]bool) for ; n > 0; n-- { list := <-worklist for _, link := range list { if !seen[link] { seen[link] = true n++ go func(link string) { worklist <- crawl(link) }(link) } } } } ``` 這個版本中，計數器n對worklist的發送操作數量進行了限制。每一次我們發現有元素需要被發送到worklist時，我們都會對n進行++操作，在向worklist中發送初始的命令行參數之前，我們也進行過一次++操作。這里的操作++是在每啟動一個crawler的goroutine之前。主循環會在n減為0時終止，這時候說明沒活可干了。現在這個并發爬蟲會比5.6節中的深度優先搜索版快上20倍，而且不會出什么錯，并且在其完成任務時也會正確地終止。下面的程序是避免過度并發的另一種思路。這個版本使用了原來的crawl函數，但沒有使用計數信號量，取而代之用了20個常駐的crawler goroutine，這樣來保證最多20個HTTP請求在并發。 ```go func main() { worklist := make(chan []string) // lists of URLs, may have duplicates unseenLinks := make(chan string) // de-duplicated URLs // Add command-line arguments to worklist. go func() { worklist <- os.Args[1:] }() // Create 20 crawler goroutines to fetch each unseen link. for i := 0; i < 20; i++ { go func() { for link := range unseenLinks { foundLinks := crawl(link) go func() { worklist <- foundLinks }() } }() } // The main goroutine de-duplicates worklist items // and sends the unseen ones to the crawlers. seen := make(map[string]bool) for list := range worklist { for _, link := range list { if !seen[link] { seen[link] = true unseenLinks <- link } } } } ``` 所有的爬蟲goroutine現在都是被同一個channel - unseenLinks喂飽的了。主goroutine負責拆分它從worklist里拿到的元素，然后把沒有抓過的經由unseenLinks channel發送給一個爬蟲的goroutine。 seen這個map被限定在main goroutine中；也就是說這個map只能在main goroutine中進行訪問。類似于其它的信息隱藏方式，這樣的約束可以讓我們從一定程度上保證程序的正確性。例如，內部變量不能夠在函數外部被訪問到；變量(§2.3.4)在沒有發生變量逃逸(譯注：局部變量被全局變量引用地址導致變量被分配在堆上)的情況下是無法在函數外部訪問的；一個對象的封裝字段無法被該對象的方法以外的方法訪問到。在所有的情況下，信息隱藏都可以幫助我們約束我們的程序，使其不發生意料之外的情況。 crawl函數爬到的鏈接在一個專有的goroutine中被發送到worklist中來避免死鎖。為了節省篇幅，這個例子的終止問題我們先不進行詳細闡述了。 **練習 8.6：** 為并發爬蟲增加深度限制。也就是說，如果用戶設置了depth=3，那么只有從首頁跳轉三次以內能夠跳到的頁面才能被抓取到。 **練習 8.7：** 完成一個并發程序來創建一個線上網站的本地鏡像，把該站點的所有可達的頁面都抓取到本地硬盤。為了省事，我們這里可以只取出現在該域下的所有頁面(比如golang.org開頭，譯注：外鏈的應該就不算了。)當然了，出現在頁面里的鏈接你也需要進行一些處理，使其能夠在你的鏡像站點上進行跳轉，而不是指向原始的鏈接。 **譯注：** 拓展閱讀 [Handling 1 Million Requests per Minute with Go](http://marcio.io/2015/07/handling-1-million-requests-per-minute-with-golang/)。