Golang实现并发模式详解
**Golang实现Fan-In Fan-Out模式详解:提升并发处理能力** 在Golang并发编程中,Fan-In Fan-Out是一种强大的模式,能显著提升程序并行处理能力。本文深入解析Fan-Out(任务分发)和Fan-In(结果合并)机制,通过示例展示如何利用Golang的goroutine和channel优雅实现。示例代码演示了3个worker并行将字符串转为大写,并通过Fan-In合并结果,充分体现Golang的并发优势。掌握这种模式,能有效解决CPU密集型和I/O密集型任务,如批量请求和文件处理,从而优化程序性能。此外,文章还提供优化建议和注意事项,助您在实际项目中灵活应用Fan-In Fan-Out模式。
fan-out通过多个goroutine并行处理任务,fan-in将结果汇总;示例中3个worker并行转字符串为大写,结果经fan-in合并输出,体现Golang并发优势。

在并发编程中,fan-in fan-out 是一种常见的模式,用于提高程序的并行处理能力。Golang 凭借其轻量级的 goroutine 和强大的 channel 机制,非常适合实现这一模式。fan-in 指多个数据源合并到一个通道,fan-out 指将任务分发给多个工作者并行处理。下面通过实际例子说明如何在 Golang 中优雅地实现该模式。
什么是 fan-out(分发任务)
fan-out 的核心是将输入数据分发给多个工作协程,让它们并行处理,从而提升吞吐量。通常适用于 CPU 密集型或 I/O 密集型任务,比如批量请求、文件处理等。
实现方式:
- 启动多个 worker goroutine,每个都从同一个输入 channel 读取任务
- 使用独立的输出 channel 返回处理结果
- 所有 worker 共享输入,但各自写入自己的输出通道
什么是 fan-in(合并结果)
fan-in 负责将多个输出 channel 的结果汇聚到一个 channel 中,方便主流程统一处理。这在需要收集所有 worker 结果时非常有用。
常见做法是启动一个单独的 goroutine,将多个 channel 的数据复制到一个统一的输出 channel 中,直到所有输入 channel 关闭为止。
关键点:
- 使用 sync.WaitGroup 等待所有 worker 完成
- 每个 worker 完成后关闭自己的输出 channel
- fan-in 协程在所有 channel 关闭后关闭汇总 channel
完整示例:并行处理字符串转大写
以下是一个完整的 fan-in fan-out 实现,模拟将一批字符串并行转为大写:
package mainimport ( "fmt" "strings" "sync" )
func worker(in <-chan string, out chan<- string, wg *sync.WaitGroup) { defer wg.Done() for s := range in { out <- strings.ToUpper(s) } close(out) }
func fanIn(channels []<-chan string) <-chan string { var wg sync.WaitGroup merged := make(chan string)
for _, ch := range channels { wg.Add(1) go func(c <-chan string) { defer wg.Done() for val := range c { merged <- val } }(c) } go func() { wg.Wait() close(merged) }() return merged}
func main() { inputs := []string{"hello", "world", "golang", "concurrency", "fan", "out"}
in := make(chan string, len(inputs)) numWorkers := 3 outputs := make([]chan string, numWorkers) for i := 0; i < numWorkers; i++ { outputs[i] = make(chan string) } var wg sync.WaitGroup for i := 0; i < numWorkers; i++ { wg.Add(1) go worker(in, outputs[i], &wg) } for _, input := range inputs { in <- input } close(in) merged := fanIn(outputs) for result := range merged { fmt.Println(result) } wg.Wait()}
这段代码中,3 个 worker 并行处理输入数据,各自将结果写入独立 channel,再通过 fan-in 将所有结果合并输出。整个过程高效且易于扩展。
优化建议与注意事项
在实际项目中使用 fan-in fan-out 时,注意以下几点:
- 合理设置 worker 数量,避免过多 goroutine 导致调度开销
- 使用带缓冲的 channel 可减少阻塞,提升性能
- 确保所有 channel 都被正确关闭,防止 goroutine 泄漏
- 可结合 context 实现超时控制和取消机制
- 对于无序输出可直接使用 merge;若需保序,应在结果中携带索引信息
基本上就这些。Golang 的并发模型让 fan-in fan-out 实现变得简洁直观,掌握它能显著提升程序的并发处理能力。
本篇关于《Golang实现并发模式详解》的介绍就到此结束啦,但是学无止境,想要了解学习更多关于Golang的相关知识,请关注golang学习网公众号!
OpenCV中OCR技术应用详解
- 上一篇
- OpenCV中OCR技术应用详解
- 下一篇
- 酷狗音乐登录入口及官网网址
-
- Golang · Go教程 | 1小时前 |
- Go go.sum 校验记录的提交策略
- 160浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go mod graph 排查依赖引入路径的方法
- 142浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go coverprofile 按包查看覆盖盲区
- 262浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go t.Setenv 测试 os.UserHomeDir 的环境读取边界
- 231浏览 收藏
-
- Golang · Go教程 | 1小时前 | Go教程 · Go encoding/json io.Reader buffered json.Decoder JSON流
- Go json.Decoder.Buffered 怎样读取尚未消费的输入
- 484浏览 收藏
-
- Golang · Go教程 | 1小时前 | goroutine · 流式处理 · Go教程 · Go io.Pipe 生产者消费者 背压 PipeWriter PipeReader
- Go io.Pipe 串流生产者消费者的背压处理
- 228浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go 并发读写 map 的保护结构
- 198浏览 收藏
-
- Golang · Go教程 | 1小时前 |
- Go 接口中携带 nil 指针的判断方法
- 380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。
- 489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。
- 547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。
- 572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。
- 526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。
- 339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
