Golang实现简单爬虫框架4队列实现并发任务调度

jiezi

5 年前

在上一篇文章《Golang 实现简单爬虫框架（3）——简单并发版》中我们实现了一个最简单并发爬虫，调度器为每一个 Request 创建一个 goroutine，每个goroutine 往Worker队列中分发任务，发完就结束。所有的 Worker 都在抢一个 channel 中的任务。但是这样做还是有些许不足之处，比如控制力弱：所有的 Worker 在抢同一个 channel 中的任务，我们没有办法控制给哪一个 worker 任务。

其实我们可以自己做一个任务分发的机制，我们来决定分发给哪一个 Worker

注意：本次并发是在上一篇文章简单并发实现的基础上修改，所以没有贴出全部代码，只是贴出部分修改部分，要查看完整项目代码，可以查看上篇文章，或者从 github 下载项目源代码查看

在上一篇文章实现简单并发的基础上，我们修改下 Scheduler 的任务分发机制

当 Scheduler 接收到一个 Request 后，不能直接发给 Worker，也不能为每个Request 创建一个goroutine，所以这里使用一个 Request 队列
同时我们想对 Worker 实现一个更多的控制，可以决定把任务分发给哪一个 Worker，所以这里我们还需要一个Worker 队列
当有了 Request 和Worker，我们就可以把选择的 Request 发送给选择的Worker

在 scheduler 目录下创建 queued.go 文件

package scheduler

import "crawler/engine"

// 使用队列来调度任务

type QueuedScheduler struct {
    requestChan chan engine.Request        // Request channel
    // Worker channel, 其中每一个 Worker 是一个 chan engine.Request 类型
    workerChan  chan chan engine.Request    
}

// 提交请求任务到 requestChannel
func (s *QueuedScheduler) Submit(request engine.Request) {s.requestChan <- request}

func (s *QueuedScheduler) ConfigMasterWorkerChan(chan engine.Request) {panic("implement me")
}

// 告诉外界有一个 worker 可以接收 request
func (s *QueuedScheduler) WorkerReady(w chan engine.Request) {s.workerChan <- w}

func (s *QueuedScheduler) Run() {
    // 生成 channel
    s.workerChan = make(chan chan engine.Request)
    s.requestChan = make(chan engine.Request)
    go func() {
        // 创建请求队列和工作队列
        var requestQ []engine.Request
        var workerQ []chan engine.Request
        for {
            var activeWorker chan engine.Request
            var activeRequest engine.Request
            
            // 当 requestQ 和 workerQ 同时有数据时
            if len(requestQ) > 0 && len(workerQ) > 0 {activeWorker = workerQ[0]
                activeRequest = requestQ[0]
            }
            
            select {
            case r := <-s.requestChan: // 当 requestChan 收到数据
                requestQ = append(requestQ, r)
            case w := <-s.workerChan: // 当 workerChan 收到数据
                workerQ = append(workerQ, w)
            case activeWorker <- activeRequest: // 当请求队列和认读队列都不为空时，给任务队列分配任务
                requestQ = requestQ[1:]
                workerQ = workerQ[1:]
            }
        }
    }()}

修改后的 concurrent.go 文件如下

package engine

import ("log")

// 并发引擎
type ConcurrendEngine struct {
    Scheduler   Scheduler
    WorkerCount int
}

// 任务调度器
type Scheduler interface {Submit(request Request) // 提交任务
    ConfigMasterWorkerChan(chan Request)
    WorkerReady(w chan Request)
    Run()}

func (e *ConcurrendEngine) Run(seeds ...Request) {out := make(chan ParseResult)
    e.Scheduler.Run()

    // 创建 goruntine
    for i := 0; i < e.WorkerCount; i++ {createWorker(out, e.Scheduler)
    }

    // engine 把请求任务提交给 Scheduler
    for _, request := range seeds {e.Scheduler.Submit(request)
    }

    itemCount := 0
    for {
        // 接受 Worker 的解析结果
        result := <-out
        for _, item := range result.Items {log.Printf("Got item: #%d: %v\n", itemCount, item)
            itemCount++
        }

        // 然后把 Worker 解析出的 Request 送给 Scheduler
        for _, request := range result.Requests {e.Scheduler.Submit(request)
        }
    }
}

func createWorker(out chan ParseResult, s Scheduler) {
    // 为每一个 Worker 创建一个 channel
    in := make(chan Request)
    go func() {
        for {s.WorkerReady(in) // 告诉调度器任务空闲
            request := <-in
            result, err := worker(request)
            if err != nil {continue}
            out <- result
        }
    }()}

package main

import (
    "crawler/engine"
    "crawler/scheduler"
    "crawler/zhenai/parser"
)

func main() {
    e := engine.ConcurrendEngine{Scheduler:   &scheduler.QueuedScheduler{},// 这里调用并发调度器
        WorkerCount: 50,
    }
    e.Run(engine.Request{
        Url:       "http://www.zhenai.com/zhenghun",
        ParseFunc: parser.ParseCityList,
    })
}

运行结果如下：

在这篇文章中我们使用队列实现对并发任务的调度，从而实现了对 Worker 的控制。我们现在并发有两种实现方式，但是他们的调度方法是不同的，为了代码的统一，所以在下一篇文章中的内容有：

对项目做一个同构
添加数据的存储模块。

如果想获取 Google 工程师深度讲解 go 语言视频资源的，可以在评论区留下邮箱。

项目的源代码已经托管到 Github 上，对于各个版本都有记录，欢迎大家查看，记得给个 star，在此先谢谢大家

如果觉得博客不错，劳烦大人给个赞，

Golang实现简单爬虫框架4队列实现并发任务调度

前言

1、项目架构

2、队列实现任务调度器

3、爬虫引擎

4、main 函数

5、总结