爬虫的并发问题
你在学习Golang相关的知识吗?本文《爬虫的并发问题》,主要介绍的内容就涉及到,如果你想提升自己的开发能力,就不要错过这篇文章,大家要知道编程理论基础和实战操作都是不可或缺的哦!
我尝试基于 tour 和其他一些关于此问题的答案构建并发爬虫。我目前所拥有的如下,但我认为这里有两个微妙的问题。
有时我会收到 16 个 url 响应,有时会收到 17 个(在
main中调试打印)。我知道这一点,因为当我什至将writetoslice更改为read时,然后在read中,有时“read: end, counter = ”永远不会达到,而且总是在我获得 16 个网址时出现。我在使用
err通道时遇到问题,即使我使用 www.golang.org 这样的地址运行我的主crawl方法,也不会在此通道中收到任何消息,因此应通过err通道发送没有有效架构的错误
p>
并发确实是一个困难的话题,我们将不胜感激帮助和建议
package main
import (
"fmt"
"net/http"
"sync"
"golang.org/x/net/html"
)
type urlCache struct {
urls map[string]struct{}
sync.Mutex
}
func (v *urlCache) Set(url string) bool {
v.Lock()
defer v.Unlock()
_, exist := v.urls[url]
v.urls[url] = struct{}{}
return !exist
}
func newURLCache() *urlCache {
return &urlCache{
urls: make(map[string]struct{}),
}
}
type results struct {
data chan string
err chan error
}
func newResults() *results {
return &results{
data: make(chan string, 1),
err: make(chan error, 1),
}
}
func (r *results) close() {
close(r.data)
close(r.err)
}
func (r *results) WriteToSlice(s *[]string) {
for {
select {
case data := <-r.data:
*s = append(*s, data)
case err := <-r.err:
fmt.Println("e ", err)
}
}
}
func (r *results) Read() {
fmt.Println("Read: start")
counter := 0
for c := range r.data {
fmt.Println(c)
counter++
}
fmt.Println("Read: end, counter = ", counter)
}
func crawl(url string, depth int, wg *sync.WaitGroup, cache *urlCache, res *results) {
defer wg.Done()
if depth == 0 || !cache.Set(url) {
return
}
response, err := http.Get(url)
if err != nil {
res.err <- err
return
}
defer response.Body.Close()
node, err := html.Parse(response.Body)
if err != nil {
res.err <- err
return
}
urls := grablUrls(response, node)
res.data <- url
for _, url := range urls {
wg.Add(1)
go crawl(url, depth-1, wg, cache, res)
}
}
func grablUrls(resp *http.Response, node *html.Node) []string {
var f func(*html.Node) []string
var results []string
f = func(n *html.Node) []string {
if n.Type == html.ElementNode && n.Data == "a" {
for _, a := range n.Attr {
if a.Key != "href" {
continue
}
link, err := resp.Request.URL.Parse(a.Val)
if err != nil {
continue
}
results = append(results, link.String())
}
}
for c := n.FirstChild; c != nil; c = c.NextSibling {
f(c)
}
return results
}
res := f(node)
return res
}
// Crawl ...
func Crawl(url string, depth int) []string {
wg := &sync.WaitGroup{}
output := &[]string{}
visited := newURLCache()
results := newResults()
defer results.close()
wg.Add(1)
go crawl(url, depth, wg, visited, results)
go results.WriteToSlice(output)
// go results.Read()
wg.Wait()
return *output
}
func main() {
r := Crawl("https://www.golang.org", 2)
// r := Crawl("www.golang.org", 2) // no schema, error should be generated and send via err
fmt.Println(len(r))
}解决方案
您的问题 1 和 2 都是同一错误的结果。
在 crawl() 中,您不会等待此 go 例程完成:go results.writetoslice(output)。在最后一个 crawl() 函数中,等待组被释放,在 writetoslice 函数完成 data 和 err 通道之前返回并打印输出。所以发生的事情是这样的:
crawl()完成,将数据放入results.data和results.err中。- waitgroup
wait()解除阻塞,导致main()打印结果[]string的长度 writetoslice将最后一个数据(或错误)项添加到通道
不仅当数据写入通道时,而且当通道完整读取(包括缓冲区)时,您都需要从 crawl() 返回。一个好方法是当您确定已经完成了频道后关闭频道。通过以这种方式组织代码,您可以阻止正在耗尽通道的 go 例程,而不是使用等待组释放到主线程,而是等到通道 100% 完成。
你可以看到这个gobyexample https://gobyexample.com/closing-channels。记住,当你关闭一个通道时,该通道仍然可以使用,直到最后一个项目被拿走。因此,您可以关闭缓冲通道,读取器仍将获得通道中排队的所有项目。
可以更改一些代码结构以使其更清晰,但这里有一种快速修复程序的方法。将 crawl 更改为阻止 writetoslice。爬取函数完成后关闭数据通道,并等待writetoslice完成。
// crawl ...
func crawl(url string, depth int) []string {
wg := &sync.waitgroup{}
output := &[]string{}
visited := newurlcache()
results := newresults()
go func() {
wg.add(1)
go crawl(url, depth, wg, visited, results)
wg.wait()
// all data is written, this makes `writetoslice()` unblock
close(results.data)
}()
// this will block until results.data is closed
results.writetoslice(output)
close(results.err)
return *output
}
然后在写入切片时,您必须检查关闭的通道以退出 for 循环:
func (r *results) WriteToSlice(s *[]string) {
for {
select {
case data, open := <-r.data:
if !open {
return // All data done
}
*s = append(*s, data)
case err := <-r.err:
fmt.Println("e ", err)
}
}
}
这里是完整的代码:https://play.golang.org/p/GBpGk-lzrhd(它在演示中不起作用)
到这里,我们也就讲完了《爬虫的并发问题》的内容了。个人认为,基础知识的学习和巩固,是为了更好的将其运用到项目中,欢迎关注golang学习网公众号,带你了解更多关于的知识点!
使用Go语言实现的gRPC Hello World程序中的结构嵌套
- 上一篇
- 使用Go语言实现的gRPC Hello World程序中的结构嵌套
- 下一篇
- 使用 GoDog 测试框架来增强断言库
-
- Golang · Go问答 | 18小时前 | 标准库 · JSON · Go问答 · 版本迁移 · JSON Go unmarshal 工具链 jsonv2 encoding/json/v2 GOEXPERIMENT
- Go encoding/json/v2.Unmarshal 为什么 json/v2 仍然要用实验开关隔离部署
- 476浏览 收藏
-
- Golang · Go问答 | 18小时前 | 标准库 · 故障排查 · Go问答 · 分隔符 Go filepath.Match 路径匹配 path.Match
- Go path.Match 为什么 Match 的斜杠和 filepath.Match 不能混用
- 178浏览 收藏
-
- Golang · Go问答 | 18小时前 | 标准库 · 错误处理 · Go问答 · Go 跨平台 io/fs.ValidPath filepath.Localize 路径转换
- Go filepath.Localize 为什么 Localize 要求输入满足 io/fs.ValidPath
- 290浏览 收藏
-
- Golang · Go问答 | 18小时前 |
- Go os.Root.Close 为什么关闭 Root 后派生文件句柄仍需单独管理
- 193浏览 收藏
-
- Golang · Go问答 | 18小时前 |
- Go os.Root.Remove 为什么 Remove 仍要区分文件和目录错误
- 327浏览 收藏
-
- Golang · Go问答 | 18小时前 | 标准库 · Go问答 · 文件系统 · Go 目录创建 文件系统边界 os.Root.Mkdir Root.MkdirAll
- Go os.Root.Mkdir 为什么 MkdirAll 不能无条件替代 Root.Mkdir
- 419浏览 收藏
-
- Golang · Go问答 | 19小时前 |
- Go os.Root.Stat 为什么 Stat 的路径解析和工作目录不同
- 254浏览 收藏
-
- Golang · Go问答 | 19小时前 | 标准库 · HTTP · Go问答 · Go httptrace ClientTrace WroteHeaders WroteRequest HTTP观测
- Go httptrace.WroteHeaders 为什么 WroteHeaders 不能代表服务器已经处理请求
- 237浏览 收藏
-
- 前端进阶之JavaScript设计模式
- 设计模式是开发人员在软件开发过程中面临一般问题时的解决方案,代表了最佳的实践。本课程的主打内容包括JS常见设计模式以及具体应用场景,打造一站式知识长龙服务,适合有JS基础的同学学习。
- 543次学习
-
- GO语言核心编程课程
- 本课程采用真实案例,全面具体可落地,从理论到实践,一步一步将GO核心编程技术、编程思想、底层实现融会贯通,使学习者贴近时代脉搏,做IT互联网时代的弄潮儿。
- 516次学习
-
- 简单聊聊mysql8与网络通信
- 如有问题加微信:Le-studyg;在课程中,我们将首先介绍MySQL8的新特性,包括性能优化、安全增强、新数据类型等,帮助学生快速熟悉MySQL8的最新功能。接着,我们将深入解析MySQL的网络通信机制,包括协议、连接管理、数据传输等,让
- 500次学习
-
- JavaScript正则表达式基础与实战
- 在任何一门编程语言中,正则表达式,都是一项重要的知识,它提供了高效的字符串匹配与捕获机制,可以极大的简化程序设计。
- 487次学习
-
- 从零制作响应式网站—Grid布局
- 本系列教程将展示从零制作一个假想的网络科技公司官网,分为导航,轮播,关于我们,成功案例,服务流程,团队介绍,数据部分,公司动态,底部信息等内容区块。网站整体采用CSSGrid布局,支持响应式,有流畅过渡和展现动画。
- 485次学习
-
- PubMedQA
- 深入了解PubMedQA生物医学问答数据集,涵盖其核心功能、使用方法及在临床决策、药物研发等场景的应用,助力提升NLP模型性能。
- 1147次使用
-
- H2O EvalGPT
- H2O EvalGPT是H2O.ai推出的开源LLM评估平台,提供详细的大模型性能排行榜、行业特定基准测试及A/B测试功能,助您快速选择最适合项目的高性能大语言模型。
- 1134次使用
-
- LMArena
- LMArena是加州大学伯克利分校推出的AI模型匿名评测平台。通过盲测投票机制,用户可对比不同大模型回答并生成实时排行榜,助力开发者优化模型及用户选择最佳AI工具。
- 1312次使用
-
- HELM
- 深入了解斯坦福推出的HELM(Holistic Evaluation of Language Models)大模型评测体系。本文解析其核心功能、安装配置步骤及应用场景,涵盖准确性、公平性、鲁棒性等多维度指标,助力开发者全面优化语言模型性能。
- 1251次使用
-
- MMBench
- MMBench是由上海人工智能实验室等机构联合推出的多模态基准测试平台,提供细粒度能力评估、大规模数据集及VLMEvalKit工具。本文详细介绍其核心功能、安装使用方法及应用场景,助力开发者全面评估多模态模型性能。
- 1104次使用
-
- 用Nginx反向代理部署go写的网站。
- 2023-01-17 502浏览
-
- GoLand调式动态执行代码
- 2023-01-13 502浏览
-
- Go maps.Clone 为什么 Clone 只复制映射结构而不是深拷贝值
- 2026-11-20 501浏览
-
- Go index/suffixarray.Index.Bytes 怎样取得索引引用的原始数据
- 2026-11-18 501浏览
-
- Go gosym.Sym.BaseName 怎样去掉符号的包名与接收者
- 2026-11-17 501浏览

