Golang并发模式:fan-infan-out实战解析
欢迎各位小伙伴来到golang学习网,相聚于此都是缘哈哈哈!今天我给大家带来《Golang并发模式:fan-in fan-out实战应用》,这篇文章主要讲到等等知识,如果你对Golang相关的知识非常感兴趣或者正在自学,都可以关注我,我会持续更新相关文章!当然,有什么建议也欢迎在评论留言提出!一起学习!
fan-out指将任务分发给多个goroutine并发处理,fan-in指将多个结果通道合并为一个。通过输入通道分发URL任务,启动10个worker并发抓取数据,每个worker将响应长度发送到输出通道,主函数从输出通道接收并汇总结果,实现高效并发处理。需注意控制并发数、关闭通道时机及使用context管理超时。

在Go语言中,fan-in fan-out 是一种常见的并发设计模式,用于提升数据处理的吞吐量。它通过多个goroutine并行处理任务(fan-out),再将结果汇聚到一个通道中(fan-in),非常适合需要高并发处理大量独立任务的场景,比如数据抓取、消息处理、批量计算等。
什么是fan-out(扇出)
fan-out 指的是将输入数据分发给多个工作 goroutine 并发处理。这样可以充分利用多核CPU,加快处理速度。
例如:有一批待处理的任务,我们启动多个 worker 同时消费这些任务,每个 worker 独立运行,互不阻塞。
常见做法:
- 使用一个输入通道分发任务
- 启动多个 goroutine 从该通道读取并处理
- 每个 worker 处理完后将结果发送到输出通道
什么是fan-in(扇入)
fan-in 是把多个通道的数据合并到一个通道中,方便主流程统一接收和处理所有 worker 的输出。
利用 Go 的通道选择机制(select),可以从多个输出通道中读取数据,无需等待某个特定通道。
实现方式通常有两种:
- 显式使用 select 监听多个通道
- 通过独立的 goroutine 将各个 worker 的输出写入同一个结果通道
一个完整的fan-in fan-out示例
假设我们要处理一批URL,获取它们的响应长度,并统计总耗时。我们可以用 fan-out 启动多个 worker 并发请求,再用 fan-in 收集结果。
func fetch(url string) int {
resp, err := http.Get(url)
if err != nil {
return 0
}
defer resp.Body.Close()
body, _ := io.ReadAll(resp.Body)
return len(body)
}
func main() {
urls := []string{ / 一堆URL / }
// 输入通道
in := make(chan string, len(urls))
for _, url := range urls {
in <- url
}
close(in)
// 输出通道
out := make(chan int, len(urls))
// 启动多个worker(fan-out)
for i := 0; i < 10; i++ {
go func() {
for url := range in {
length := fetch(url)
out <- length
}
}()
}
// 关闭out通道,当所有worker完成时
go func() {
for i := 0; i < 10; i++ {
<-inWorkerDone // 等待所有worker退出(简化起见可省略计数)
}
close(out)
}()
// 读取所有结果(fan-in)
var total int
for result := range out {
total += result
}
fmt.Println("Total data length:", total)
}
这个例子中:
- in 通道作为任务队列,被多个 worker 共享消费
- 每个 worker 处理完任务后把结果发到 out 通道
- 主函数从 out 中接收所有结果,完成汇聚
适用场景与注意事项
fan-in fan-out 特别适合以下情况:
- 任务之间无依赖,可独立处理
- I/O密集型操作,如网络请求、文件读写
- 需要控制并发度,避免资源耗尽
需要注意的地方:
- 合理设置 worker 数量,避免系统过载
- 确保所有 sender 都关闭通道后再从接收端退出,防止 panic
- 使用 context 控制超时或取消,增强健壮性
- 结果通道最好带缓冲,或配合 WaitGroup 使用,避免goroutine泄漏
基本上就这些。掌握 fan-in fan-out 模式,能让你写出更高效、清晰的并发程序。关键是理解“分发 + 聚合”的思想,再结合Go的通道和goroutine轻松实现。
今天关于《Golang并发模式:fan-infan-out实战解析》的内容就介绍到这里了,是不是学起来一目了然!想要了解更多关于golang,Goroutine,通道,并发模式,fan-infan-out的内容请关注golang学习网公众号!
离线优先PWA设计技巧与实战
- 上一篇
- 离线优先PWA设计技巧与实战
- 下一篇
- 番茄畅听直播怎么开?新手教程详解
-
- Golang · Go教程 | 32分钟前 | 文件处理 · 标准库 · 资源管理 · go语言 · zip Go archive/zip OpenReader Reader.Open
- Go archive/zip.OpenReader 怎么按名称读取压缩包文件
- 130浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go tls.ConnectionState 读取协商协议与证书信息
- 327浏览 收藏
-
- Golang · Go教程 | 2小时前 | go · 随机数 Go crypto/rand 令牌
- Go crypto/rand 生成令牌并避免短随机数
- 145浏览 收藏
-
- Golang · Go教程 | 2小时前 | go · 目录 Go 符号链接 archive/tar Header.Typeflag
- Go archive/tar Header.Typeflag 区分目录与链接
- 199浏览 收藏
-
- Golang · Go教程 | 3小时前 | go · Go archive/tar tar.Writer FileInfoHeader
- Go archive/tar 流式写入文件元数据
- 366浏览 收藏
-
- Golang · Go教程 | 3小时前 | go ·
- Go compress/zstd 多帧解压的内存控制
- 269浏览 收藏
-
- Golang · Go教程 | 3小时前 | go ·
- Go fs.Sub 暴露子目录并保持路径安全
- 449浏览 收藏
-
- Golang · Go教程 | 4小时前 | go · html/template ·
- Go embed.FS 读取内嵌模板的路径组织
- 140浏览 收藏
-
- Golang · Go教程 | 5小时前 | go · 调试 ·
- Go build -overlay 临时替换源码的调试方法
- 314浏览 收藏
-
- Golang · Go教程 | 5小时前 | 依赖管理 · Go教程 · Go go.work 依赖版本 多模块工作区 go work sync
- Go work sync 维护多模块工作区依赖
- 480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。
- 318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。
- 375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。
- 372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。
- 337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。
- 163次使用
-
- Java 性能优化上线清单:从定位、改造到灰度发布
- 2026-06-11 860浏览
-
- Spring Boot 压测验证:Gatling、JMeter 与性能回归门禁
- 2026-06-11 843浏览
-
- Java NMT 非堆内存排查:Direct Buffer、线程栈与 Metaspace 分析
- 2026-06-11 826浏览
-
- Spring Boot 容器内存优化:JVM 堆、非堆与 MaxRAMPercentage
- 2026-06-11 809浏览
-
- Tomcat 连接与线程参数调优:maxThreads、acceptCount 与 KeepAlive
- 2026-06-11 792浏览

