Why Pool
go自从出生就身带“高并发”的标签，其并发编程就是由groutine实现的，因其消耗资源低，性能高效，开发成本低的特性而被广泛应用到各种场景，例如服务端开发中使用的HTTP服务,在golang net/http包中,每一个被监听到的tcp链接都是由一个groutine去完成处理其上下文的，由此使得其拥有极其优秀的并发量吞吐量
for {
// 监听tcp
rw, e := l.Accept()
if e != nil {
.......
}
tempDelay = 0
c := srv.newConn(rw)
c.setState(c.rwc, StateNew) // before Serve can return
// 启动协程处理上下文
go c.serve(ctx)
}虽然创建一个groutine占用的内存极小(大约2KB左右，线程通常2M左右)，但是在实际生产环境无限制的开启协程显然是不科学的，比如上图的逻辑，如果来几千万个请求就会开启几千万个groutine,当没有更多内存可用时,go的调度器就会阻塞groutine最终导致内存溢出乃至严重的崩溃，所以本文将通过实现一个简单的协程池，以及剖析几个开源的协程池源码来探讨一下对groutine的并发控制以及多路复用的设计和实现。
一个简单的协程池
完成代码：
package main import ( "fmt" "sync" "time" ) type SimplePool struct { wg sync.WaitGroup work chan func() //任务队列 } func NewSimplePoll(workers int) *SimplePool { p := &SimplePool{ wg: sync.WaitGroup{}, work: make(chan func()), } p.wg.Add(workers) //初始化协程池（添加任务前）时就根据指定的并发量去读取管道并执行，以免添加任务时管道阻塞 for i := 0; i < workers; i++ { go func() { defer func() { // 捕获异常 防止waitGroup阻塞 if err := recover(); err != nil { fmt.Println(err) p.wg.Done() } }() // 从workChannel中取出任务执行 for fn := range p.work { fn() } p.wg.Done() }() } return p } // 添加任务 func (p *SimplePool) Add(fn func()) { p.work <- fn } // 执行 func (p *SimplePool) Run() { close(p.work) p.wg.Wait() }
// 测试使用 func main() { p := NewSimplePoll(20) for i := 0; i < 100; i++ { p.Add(parseTask(i)) } p.Run() } func parseTask(i int) func() { return func() { // 模拟抓取数据的过程 time.Sleep(time.Second * 1) fmt.Println("finish parse ", i) } }
这样一来最简单的一个groutine池就完成了
go-playground/pool
上面的groutine池虽然简单，但是对于每一个并发任务的状态，pool的状态缺少控制，所以又去看了一下go-playground/pool的源码实现，先从每一个需要执行的任务入手，该库中对并发单元做了如下的结构体，可以看到除工作单元的值，错误，执行函数等，还用了三个分别表示，取消，取消中，写 的三个并发安全的原子操作值来标识其运行状态。
// 需要加入pool 中执行的任务
type WorkFunc func(wu WorkUnit) (interface{}, error)
// 工作单元
type workUnit struct {
value interface{} // 任务结果
err error // 任务的报错
done chan struct{} // 通知任务完成
fn WorkFunc
cancelled atomic.Value // 任务是否被取消
cancelling atomic.Value // 是否正在取消任务
writing atomic.Value // 任务是否正在执行
}
接下来看Pool的结构
type limitedPool struct {
workers uint // 并发量
work chan *workUnit // 任务channel
cancel chan struct{} // 用于通知结束的channel
closed bool // 是否关闭
m sync.RWMutex // 读写锁，主要用来保证 closed值的并发安全
}初始化groutine池, 以及启动设定好数量的groutine
// 初始化pool,设定并发量
func NewLimited(workers uint) Pool {
if workers == 0 {
panic("invalid workers '0'")
}
p := &limitedPool{
workers: workers,
}
p.initialize()
return p
}
func (p *limitedPool) initialize() {
p.work = make(chan *workUnit, p.workers*2)
p.cancel = make(chan struct{})
p.closed = false
for i := 0; i < int(p.workers); i++ {
// 初始化并发单元
p.newWorker(p.work, p.cancel)
}
}
// passing work and cancel channels to newWorker() to avoid any potential race condition
// betweeen p.work read & write
func (p *limitedPool) newWorker(work chan *workUnit, cancel chan struct{}) {
go func(p *limitedPool) {
var wu *workUnit
defer func(p *limitedPool) {
// 捕获异常，结束掉异常的工作单元，并将其再次作为新的任务启动
if err := recover(); err != nil {
trace := make([]byte, 1<<16)
n := runtime.Stack(trace, true)
s := fmt.Sprintf(errRecovery, err, string(trace[:int(math.Min(float64(n), float64(7000)))]))
iwu := wu
iwu.err = &ErrRecovery{s: s}
close(iwu.done)
// need to fire up new worker to replace this one as this one is exiting
p.newWorker(p.work, p.cancel)
}
}(p)
var value interface{}
var err error
for {
select {
// workChannel中读取任务
case wu = <-work:
// 防止channel 被关闭后读取到零值
if wu == nil {
continue
}
// 先判断任务是否被取消
if wu.cancelled.Load() == nil {
// 执行任务
value, err = wu.fn(wu)
wu.writing.Store(struct{}{})
// 任务执行完在写入结果时需要再次检查工作单元是否被取消，防止产生竞争条件
if wu.cancelled.Load() == nil && wu.cancelling.Load() == nil {
wu.value, wu.err = value, err
close(wu.done)
}
}
// pool是否被停止
case <-cancel:
return
}
}
}(p)
}往POOL中添加任务,并检查pool是否关闭
func (p *limitedPool) Queue(fn WorkFunc) WorkUnit {
w := &workUnit{
done: make(chan struct{}),
fn: fn,
}
go func() {
p.m.RLock()
if p.closed {
w.err = &ErrPoolClosed{s: errClosed}
if w.cancelled.Load() == nil {
close(w.done)
}
p.m.RUnlock()
return
}
// 将工作单元写入workChannel, pool启动后将由上面newWorker函数中读取执行
p.work <- w
p.m.RUnlock()
}()
return w
}在go-playground/pool包中， limitedPool的批量并发执行还需要借助batch.go来完成
// batch contains all information for a batch run of WorkUnits
type batch struct {
pool Pool // 上面的limitedPool实现了Pool interface
m sync.Mutex // 互斥锁，用来判断closed
units []WorkUnit // 工作单元的slice， 这个主要用在不设并发限制的场景，这里忽略
results chan WorkUnit // 结果集,执行完后的workUnit会更新其value,error,可以从结果集channel中读取
done chan struct{} // 通知batch是否完成
closed bool
wg *sync.WaitGroup
}// go-playground/pool 中有设置并发量和不设并发量的批量任务，都实现Pool interface，初始化batch批量任务时会将之前创建好的Pool传入newBatch
func newBatch(p Pool) Batch {
return &batch{
pool: p,
units: make([]WorkUnit, 0, 4), // capacity it to 4 so it doesn't grow and allocate too many times.
results: make(chan WorkUnit),
done: make(chan struct{}),
wg: new(sync.WaitGroup),
}
}
// 往批量任务中添加workFunc任务
func (b *batch) Queue(fn WorkFunc) {
b.m.Lock()
if b.closed {
b.m.Unlock()
return
}
//往上述的limitPool中添加workFunc
wu := b.pool.Queue(fn)
b.units = append(b.units, wu) // keeping a reference for cancellation purposes
b.wg.Add(1)
b.m.Unlock()
// 执行完后将workUnit写入结果集channel
go func(b *batch, wu WorkUnit) {
wu.Wait()
b.results <- wu
b.wg.Done()
}(b, wu)
}
// 通知批量任务不再接受新的workFunc, 如果添加完workFunc不执行改方法的话将导致取结果集时done channel一直阻塞
func (b *batch) QueueComplete() {
b.m.Lock()
b.closed = true
close(b.done)
b.m.Unlock()
}
// 获取批量任务结果集
func (b *batch) Results() <-chan WorkUnit {
go func(b *batch) {
<-b.done
b.m.Lock()
b.wg.Wait()
b.m.Unlock()
close(b.results)
}(b)
return b.results
}测试
func SendMail(int int) pool.WorkFunc {
fn := func(wu pool.WorkUnit) (interface{}, error) {
// sleep 1s 模拟发邮件过程
time.Sleep(time.Second * 1)
// 模拟异常任务需要取消
if int == 17 {
wu.Cancel()
}
if wu.IsCancelled() {
return false, nil
}
fmt.Println("send to", int)
return true, nil
}
return fn
}
func TestBatchWork(t *testing.T) {
// 初始化groutine数量为20的pool
p := pool.NewLimited(20)
defer p.Close()
batch := p.Batch()
// 设置一个批量任务的过期超时时间
t := time.After(10 * time.Second)
go func() {
for i := 0; i < 100; i++ {
batch.Queue(SendMail(i))
}
batch.QueueComplete()
}()
// 因为 batch.Results 中要close results channel 所以不能将其放在LOOP中执行
r := batch.Results()
LOOP:
for {
select {
case <-t:
// 登台超时通知
fmt.Println("recived timeout")
break LOOP
case email, ok := <-r:
// 读取结果集
if ok {
if err := email.Error(); err != nil {
fmt.Println("err", err.Error())
}
fmt.Println(email.Value())
} else {
fmt.Println("finish")
break LOOP
}
}
}
}
接近理论值5s, 通知模拟被取消的work也正常取消
go-playground/pool在比起之前简单的协程池的基础上， 对pool, worker的状态有了很好的管理。但是，但是问题来了，在第一个实现的简单groutine池和go-playground/pool中，都是先启动预定好的groutine来完成任务执行，在并发量远小于任务量的情况下确实能够做到groutine的复用，如果任务量不多则会导致任务分配到每个groutine不均匀，甚至可能出现启动的groutine根本不会执行任务从而导致浪费，而且对于协程池也没有动态的扩容和缩小。所以我又去看了一下ants的设计和实现。
ants
ants是一个受fasthttp启发的高性能协程池, fasthttp号称是比go原生的net/http快10倍，其快速高性能的原因之一就是采用了各种池化技术（这个日后再开新坑去读源码), ants相比之前两种协程池，其模型更像是之前接触到的数据库连接池，需要从空余的worker中取出一个来执行任务, 当无可用空余worker的时候再去创建，而当pool的容量达到上线之后，剩余的任务阻塞等待当前进行中的worker执行完毕将worker放回pool, 直至pool中有空闲worker。 ants在内存的管理上做得很好，除了定期清除过期worker(一定时间内没有分配到任务的worker)，ants还实现了一种适用于大批量相同任务的pool, 这种pool与一个需要大批量重复执行的函数锁绑定，避免了调用方不停的创建，更加节省内存。
先看一下ants的pool 结构体 (pool.go)
type Pool struct {
// 协程池的容量 (groutine数量的上限)
capacity int32
// 正在执行中的groutine
running int32
// 过期清理间隔时间
expiryDuration time.Duration
// 当前可用空闲的groutine
workers []*Worker
// 表示pool是否关闭
release int32
// lock for synchronous operation.
lock sync.Mutex
// 用于控制pool等待获取可用的groutine
cond *sync.Cond
// 确保pool只被关闭一次
once sync.Once
// worker临时对象池，在复用worker时减少新对象的创建并加速worker从pool中的获取速度
workerCache sync.Pool
// pool引发panic时的执行函数
PanicHandler func(interface{})
}接下来看pool的工作单元 worker (worker.go)
type Worker struct {
// worker 所属的poo;
pool *Pool
// 任务队列
task chan func()
// 回收时间，即该worker的最后一次结束运行的时间
recycleTime time.Time
}
执行worker的代码 (worker.go)
func (w *Worker) run() {
// pool中正在执行的worker数+1
w.pool.incRunning()
go func() {
defer func() {
if p := recover(); p != nil {
//若worker因各种问题引发panic,
//pool中正在执行的worker数 -1，
//如果设置了Pool中的PanicHandler，此时会被调用
w.pool.decRunning()
if w.pool.PanicHandler != nil {
w.pool.PanicHandler(p)
} else {
log.Printf("worker exits from a panic: %v", p)
}
}
}()
// worker 执行任务队列
for f := range w.task {
//任务队列中的函数全部被执行完后，
//pool中正在执行的worker数 -1，
//将worker 放回对象池
if f == nil {
w.pool.decRunning()
w.pool.workerCache.Put(w)
return
}
f()
//worker 执行完任务后放回Pool
//使得其余正在阻塞的任务可以获取worker
w.pool.revertWorker(w)
}
}()
}了解了工作单元worker如何执行任务以及与pool交互后，回到pool中查看其实现， pool的核心就是取出可用worker提供给任务执行 (pool.go)
// 向pool提交任务
func (p *Pool) Submit(task func()) error {
if 1 == atomic.LoadInt32(&p.release) {
return ErrPoolClosed
}
// 获取pool中的可用worker并向其任务队列中写入任务
p.retrieveWorker().task <- task
return nil
}
// **核心代码** 获取可用worker
func (p *Pool) retrieveWorker() *Worker {
var w *Worker
p.lock.Lock()
idleWorkers := p.workers
n := len(idleWorkers) - 1
// 当前pool中有可用worker, 取出(队尾)worker并执行
if n >= 0 {
w = idleWorkers[n]
idleWorkers[n] = nil
p.workers = idleWorkers[:n]
p.lock.Unlock()
} else if p.Running() < p.Cap() {
p.lock.Unlock()
// 当前pool中无空闲worker,且pool数量未达到上线
// pool会先从临时对象池中寻找是否有已完成任务的worker,
// 若临时对象池中不存在，则重新创建一个worker并将其启动
if cacheWorker := p.workerCache.Get(); cacheWorker != nil {
w = cacheWorker.(*Worker)
} else {
w = &Worker{
pool: p,
task: make(chan func(), workerChanCap),
}
}
w.run()
} else {
// pool中没有空余worker且达到并发上限
// 任务会阻塞等待当前运行的worker完成任务释放会pool
for {
p.cond.Wait() // 等待通知， 暂时阻塞
l := len(p.workers) - 1
if l < 0 {
continue
}
// 当有可用worker释放回pool之后， 取出
w = p.workers[l]
p.workers[l] = nil
p.workers = p.workers[:l]
break
}
p.lock.Unlock()
}
return w
}
// 释放worker回pool
func (p *Pool) revertWorker(worker *Worker) {
worker.recycleTime = time.Now()
p.lock.Lock()
p.workers = append(p.workers, worker)
// 通知pool中已经获取锁的groutine, 有一个worker已完成任务
p.cond.Signal()
p.lock.Unlock()
}在批量并发任务的执行过程中， 如果有超过5纳秒(ants中默认worker过期时间为5ns)的worker未被分配新的任务，则将其作为过期worker清理掉，从而保证pool中可用的worker都能发挥出最大的作用以及将任务分配得更均匀
(pool.go)
// 该函数会在pool初始化后在协程中启动
func (p *Pool) periodicallyPurge() {
// 创建一个5ns定时的心跳
heartbeat := time.NewTicker(p.expiryDuration)
defer heartbeat.Stop()
for range heartbeat.C {
currentTime := time.Now()
p.lock.Lock()
idleWorkers := p.workers
if len(idleWorkers) == 0 && p.Running() == 0 && atomic.LoadInt32(&p.release) == 1 {
p.lock.Unlock()
return
}
n := -1
for i, w := range idleWorkers {
// 因为pool 的worker队列是先进后出的，所以正序遍历可用worker时前面的往往里当前时间越久
if currentTime.Sub(w.recycleTime) <= p.expiryDuration {
break
}
// 如果worker最后一次运行时间距现在超过5纳秒，视为过期，worker收到nil, 执行上述worker.go中 if n == nil 的操作
n = i
w.task <- nil
idleWorkers[i] = nil
}
if n > -1 {
// 全部过期
if n >= len(idleWorkers)-1 {
p.workers = idleWorkers[:0]
} else {
// 部分过期
p.workers = idleWorkers[n+1:]
}
}
p.lock.Unlock()
}
}测试
func TestAnts(t *testing.T) {
wg := sync.WaitGroup{}
pool, _ := ants.NewPool(20)
defer pool.Release()
for i := 0; i < 100; i++ {
wg.Add(1)
pool.Submit(sendMail(i, &wg))
}
wg.Wait()
}
func sendMail(i int, wg *sync.WaitGroup) func() {
return func() {
time.Sleep(time.Second * 1)
fmt.Println("send mail to ", i)
wg.Done()
}
}这里虽只简单的测试批量并发任务的场景， 如果大家有兴趣可以去看看ants的压力测试， ants的吞吐量能够比原生groutine高出N倍，内存节省10到20倍， 可谓是协程池中的神器。
借用ants作者的原话来说：
然而又有多少场景是单台机器需要扛100w甚至1000w同步任务的？基本没有啊！结果就是造出了屠龙刀，可是世界上没有龙啊！也是无情…
Over
一口气从简单到复杂总结了三个协程池的实现，受益匪浅， 感谢各开源库的作者， 虽然世界上没有龙，但是屠龙技是必须练的，因为它就像存款，不一定要全部都用了，但是一定不能没有！
ants A high-performance goroutine pool for Go, inspired by fasthttp ants协程池源码