当前位置:首页 > 文章列表 > Golang > Go教程 > Go atomic.Int64记录并发计数的初始化与读取方式

Go atomic.Int64记录并发计数的初始化与读取方式

来源:17golang原创 2026-09-25 14:48:42 0浏览 收藏

并发计数最容易出问题的地方,不是把字段改成 int64,而是让多个 goroutine 同时读写它。Go 现代版本可以直接使用 sync/atomic 提供的 atomic.Int64:字段类型本身表达“这是一个原子值”,写入用 Add 或 Store,读取用 Load,不再把原始整数和原子操作混在一起。

官方文档:https://pkg.go.dev/sync/atomic

如果计数只需要递增和读取,把它声明为 atomic.Int64,创建后用 Load 读取、用 Add(1) 递增;只有需要覆盖当前值时才使用 Store。
要点速览
  • atomic.Int64 的零值可直接使用,但显式初始化更适合表达业务起点。
  • Add 返回更新后的值,Load 返回读取瞬间的原子快照。
  • 不要复制已经使用过的原子值,也不要绕过方法直接访问内部状态。

atomic.Int64 的字段声明与初始化边界

类型化原子值适合放在计数器、并发请求数、队列长度等共享状态中。它的零值就是 0,因此下面的结构体不需要额外构造函数也能开始计数:

package counter

import "sync/atomic"

type Stats struct {
	// Requests 只能通过 Add、Load、Store 等原子方法访问。
	Requests atomic.Int64
}

func (s *Stats) Record() int64 {
	// Add 返回递增后的值,适合顺便判断当前阈值。
	return s.Requests.Add(1)
}

func (s *Stats) Current() int64 {
	// Load 获取一个原子快照,不保证后续仍保持这个数值。
	return s.Requests.Load()
}

如果业务起点不是 0,可以在对象创建阶段调用 Store。初始化完成后,计数路径仍然应该统一使用原子方法,避免一部分代码通过普通赋值修改同一状态。

Go atomic.Int64 字段、Add 和 Load 之间的原子访问边界说明图
图1:atomic.Int64 字段边界说明图,展示计数状态只能通过原子方法进入和离开。

用 Add 记录并发事件,用 Load 读取当前值

Add(delta) 是记录事件的主路径。多个 goroutine 同时调用 Add(1) 时,每次增量都会参与原子更新;返回值是本次更新之后的结果,可以直接用于限流提示、批量刷新或采样。

func (s *Stats) RecordAndCheck(limit int64) bool {
	// 返回值属于本次递增后的状态,适合做一次性的边界判断。
	current := s.Requests.Add(1)
	return current >= limit
}

func (s *Stats) Snapshot() (int64, bool) {
	// 读取与判断使用同一个快照,避免同一函数里重复读取造成语义漂移。
	current := s.Requests.Load()
	return current, current > 0
}

需要注意,Load 只保证这次读取本身是原子的。它不能把“读取、判断、再修改”自动组合成一个不可分割的事务。例如“只有低于上限才加一”就不能仅靠 Load 加 Add 保证,需要根据业务改用 CAS 循环,或者把状态交给互斥锁保护。

Store、Add 与普通整数读写的选择

可以把几个操作的语义放在一起比较,减少因为方法名相近而产生的误用:

操作作用适合场景注意点
Add(1)在当前值上增量请求数、完成数、重试次数返回更新后的值
Load()读取原子快照展示指标、阈值判断快照不会锁定后续变化
Store(v)覆盖为指定值重置窗口、加载初始值会覆盖其他 goroutine 的累计结果

“累计一次”用 Add,“读取一次”用 Load,“明确重置”才用 Store。不要写成普通的 s.Requests = 1 或把原子值转换成 int64 后再赋回去;这种混用会让调用约定失效,也可能重新引入数据竞争。

复制限制与并发计数的排查清单

类型化原子值应当在声明后保持稳定的内存位置。尤其不要在它开始工作后复制包含 atomic.Int64 的结构体,也不要通过值接收者把整个计数器复制到方法内部。更稳妥的接口是使用指针接收者,并让共享对象在 goroutine 之间传递指针。

排查时可以依次确认:

  • 所有写入是否都集中在 Add、Store 或明确的 CAS 逻辑中。
  • 所有读取是否都经过 Load,日志和指标代码没有直接读普通镜像字段。
  • “判断后修改”是否真的需要原子复合操作,而不是两个独立原子方法。
  • 结构体是否在第一次使用后被复制,构造函数和方法是否保持指针语义。

最后运行 go test -race ./... 检查计数器周围的共享数据。竞态检测不能证明业务阈值逻辑正确,但能帮助发现把原子计数和非原子字段绑在一起的遗漏。

Go atomic.Int64 的 Add、Load、Store 操作与并发计数结果关系说明图
图2:操作关系说明图,区分增量、快照读取和覆盖重置三条路径。

常见问题

atomic.Int64 的零值可以直接使用吗?

可以。零值可直接调用 Add 和 Load;如果初始值来自配置或上一个窗口,建议在对象交给并发代码前显式调用 Store。

Add 和 Store 都能写入,为什么不统一使用 Store?

Store 是覆盖,多个 goroutine 用它模拟累加会互相覆盖结果;计数递增应使用 Add,只有重置或载入新基线才使用 Store。

Load 后再判断上限安全吗?

读取本身安全,但“读取后再修改”不是一个原子事务。若上限判断必须和更新绑定,应使用 CAS 循环或互斥锁保护完整业务动作。

版本声明
本文转载于:17golang原创 如有侵犯,请联系study_golang@163.com删除
Go path/filepath相对路径在不同工作目录下失效的定位顺序Go path/filepath相对路径在不同工作目录下失效的定位顺序
上一篇
Go path/filepath相对路径在不同工作目录下失效的定位顺序
OCI镜像供应链元数据在多环境发布中的保留方式
下一篇
OCI镜像供应链元数据在多环境发布中的保留方式
查看更多
最新文章
查看更多
课程推荐
  • 前端进阶之JavaScript设计模式
    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
    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
    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
    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
    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
查看更多
AI推荐
  • PubMedQA数据集详解:生物医学问答基准、功能与应用指南
    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。
    210次使用
  • H2O EvalGPT:开源LLM大模型评估与排行榜工具
    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。
    264次使用
  • LMArena是什么?伯克利AI模型评估平台使用指南与功能解析
    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。
    222次使用
  • 斯坦福HELM:大语言模型Holistic Evaluation整体评估框架详解
    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。
    207次使用
  • CMMLU中文大模型评估基准:功能、使用教程与应用场景解析
    CMMLU
    深入了解CMMLU中文评估基准,涵盖67个学科主题,提供数据集下载、Zero-shot/Five-shot评估方法及排行榜,助力优化中文语言模型性能。
    198次使用
微信登录更方便
  • 密码登录
  • 注册账号
登录即同意 用户协议 和 隐私政策
返回登录
  • 重置密码