潜在递归任务的工作池（即，每个作业都可以排队其他作业）

Question

我正在编写一个应用程序，用户可以从多个“工作”（实际上是 URL）开始。在开始时（主程序），我将这些 URL 添加到队列中，然后启动 x 个处理这些 URL 的 goroutine。

在特殊情况下，URL 指向的资源可能包含更多必须添加到队列中的 URL。 3 名工人正在等待新的工作进入并处理它们。问题是：一旦每个工人都在等待工作（并且没有人在生产任何工作），工人应该完全停止。所以要么全部工作，要么没有人工作。

我当前的实现看起来像这样，我不认为它很优雅。不幸的是，我想不出一个不包含竞争条件的更好方法，而且我不完全确定这个实现是否真的按预期工作：

var queue // from somewhere
const WORKER_COUNT = 3
var done chan struct{}

func work(working chan int) {
  absent := make(chan struct{}, 1)
  // if x>1 jobs in sequence are popped, send to "absent" channel only 1 struct.
  // This implementation also assumes that the select statement will be evaluated "in-order" (channel 2 only if channel 1 yields nothing) - is this actually correct? EDIT: It is, according to the specs.
  one := false
  for {
    select {
    case u, ok := <-queue.Pop():
      if !ok {
        close(absent)
        return
      }
      if !one {
        // I have started working (delta + 1)
        working <- 1
        absent <- struct{}{}
        one = true
      }
      // do work with u (which may lead to queue.Push(urls...))
    case <-absent: // no jobs at the moment. consume absent => wait
      one = false
      working <- -1
    }
  }
}

func Start() {
  working := make(chan int)
  for i := 0; i < WORKER_COUNT; i++ {
    go work(working)
  }
  // the amount of actually working workers...
  sum := 0
  for {
    delta := <-working
    sum += delta
    if sum == 0 {
      queue.Close() // close channel -> kill workers.
      done <- struct{}{}
      return
    }
  }
}

有没有更好的方法来解决这个问题？

Answer 1

您可以use a sync.WaitGroup（请参阅docs）控制工作人员的生命周期，并使用非阻塞发送，以便工作人员在尝试排队更多作业时不会死锁：

package main

import "sync"

const workers = 4

type job struct{}

func (j *job) do(enqueue func(job)) {
    // do the job, calling enqueue() for subtasks as needed
}

func main() {
    jobs, wg := make(chan job), new(sync.WaitGroup)
    var enqueue func(job)

    // workers
    for i := 0; i < workers; i++ {
        go func() {
            for j := range jobs {
                j.do(enqueue)
                wg.Done()
            }
        }()
    }

    // how to queue a job
    enqueue = func(j job) {
        wg.Add(1)
        select {
        case jobs <- j: // another worker took it
        default: // no free worker; do the job now
            j.do(enqueue)
            wg.Done()
        }
    }

    todo := make([]job, 1000)
    for _, j := range todo {
        enqueue(j)
    }
    wg.Wait()
    close(jobs)
}

使用缓冲通道避免死锁的困难在于，您必须预先分配一个足够大的通道，以确保在不阻塞的情况下容纳所有待处理的任务。除非您有少量已知的 URL 需要抓取，否则会出现问题。

当您退回到在当前线程中执行普通递归时，您没有静态缓冲区大小限制。当然，仍然存在限制：如果有太多的工作待处理，您可能会用完 RAM，理论上您可以通过深度递归耗尽堆栈（但这很难！）。因此，如果您正在抓取整个网络，则需要以更复杂的方式跟踪待处理的任务。

最后，作为一个更完整的例子，我对这段代码并不感到非常自豪，但我碰巧写了一个function to kick off a parallel sort，它是递归的，就像你的 URL 获取一样。