本篇内容主要讲解“go语言如何实现并发网络爬虫”，感兴趣的朋友不妨来看看。本文介绍的方法操作简单快捷，实用性强。下面就让小编来带大家学习“go语言如何实现并发网络爬虫”吧!
首先我的思路是看一下爬虫的串行实现，然后通过两个并发实现：一个使用锁，另一个使用通道
这里不涉及从页面中提取URL的逻辑（请查看Go框架colly的内容）。网络抓取只是作为一个例子来考察Go的并发性。
我们想从我们的起始页中提取所有的URL，将这些URL保存到一个列表中，然后对列表中的每个URL做同样的处理。页面的图很可能是循环的，所以我们需要记住哪些页面已经经历了这个过程（或者在使用并发时，处于这个过程的中间）。
串行爬虫首先检查我们是否已经在获取地图中获取了该页面。如果我们没有，那么它就在页面上找到的每个URL上调用自己。注意：map 在Go中是引用类型，所以每次调用都会得到相同的 map。
func Serial(url string, fetcher Fetcher, fetched map[string]bool) {
if fetched[url] {
return
}
fetched[url] = true
urls, err := fetcher.Fetch(url)
if err != nil {
return
}
for _, u := range urls {
Serial(u, fetcher, fetched)
}
return
}
func main() {
Serial(<page>, fetcher, make(map[string]bool))
}fetcher将包含提取URLs到列表中的逻辑（也可以对页面的内容做一些处理）。这个实现不是本讲的重点。
由于网络速度很慢，我们可以使用并发性来加快这个速度。为了实现这一点，我们需要使用锁（在读/写时锁定已经获取的页面地图）和 waitgroup（等待所有的goroutine完成）。
已经获取的页面的 map 只能由持有锁的线程访问，因为我们不希望多个线程开始处理同一个URL。如果在一个线程的读和写之间，另一个线程在第一个线程更新之前从 map 上得到了相同的读数，这就可能发生。
我们定义了fetchState结构，将 map 和锁组合在一起，并定义了一个方法来初始化它。
爬虫程序的开始是一样的，检查我们是否已经获取了URL，但这次使用sync.Mutex来锁定 map，如前所述。然后，对于页面上发现的每个URL，我们在一个新的goroutine中启动相同的函数。在启动之前，我们将WaitGroup的计数器增加1，done.Wait()在退出之前等待所有的抓取工作完成。
func ConcurrentMutex(url string, fetcher Fetcher, f *fetchState) {
f.mu.Lock()
already := f.fetched[url]
f.fetched[url] = true
f.mu.Unlock()
if already {
return
}
urls, err := fetcher.Fetch(url)
if err != nil {
return
}
var done sync.WaitGroup
for _, u := range urls {
done.Add(1)
go func(u string) {
defer done.Done()
ConcurrentMutex(u, fetcher, f)
}(u)
}
done.Wait()
return
}
type fetchState struct {
mu sync.Mutex
fetched map[string]bool
}
func makeState() *fetchState {
f := &fetchState{}
f.fetched = make(map[string]bool)
return f
}
func main() {
ConcurrentMutex(<page>, fetcher, makeState())
}注意：
[1] done.Done()的调用被推迟了，以防我们在其中一个调用中出现错误，在这种情况下，我们仍然要递减WaitGroup的计数器。
[2] 这段代码的一个问题是，我们没有限制线程的数量。但值得一提的是，goroutines比其他语言的线程更轻量级，并且由Go运行时管理，系统调用更少。
[3] 我们把字符串u传给立即函数，以便制作一个URL的副本，然后才把它送到goroutine，因为变量u在外层for循环中发生了变化。要理解这样做的必要性，一个更简单的例子是，在没有WaitGroup的情况下。
func checkThisOut() {
s := "abc"
sec := time.Second
go func() {time.Sleep(sec); fmt.Printf("s = %v
", s)}()
go func(u string) {time.Sleep(sec); fmt.Printf("u = %v
", u)}(s)
s = "def"
time.Sleep(2 * sec)
}
// this prints out: u = abc, s = def[4] 我们可以运行内置的数据竞赛检测器，通过运行go run -race .来帮助检测竞赛条件。它在这个例子中非常有效。
下一个并发版本在线程之间完全不共享内存！嗯，这并不准确。我们只是不会自己同步访问共享数据。相反，我们使用一个通道在goroutine之间进行通信。
在这个最后的版本中，我们有一个主函数在主线程上运行。只有这个函数能看到 map 并从通道中读取。channel ，像 map 一样，也是引用类型。所以这里只有一个通道。
在启动时，我们将第一个URL写到通道上。这是在一个goroutine中完成的，因为向一个没有缓冲的通道的写入会导致goroutine暂停，直到该值被另一个goroutine读取。
我们在一个for循环中从通道中读取URL的列表（从一个没有缓冲的通道中读取也会阻塞）。然后，我们以与之前的实现类似的方式浏览该列表。通过使用一个计数器，一旦没有更多的工作者，这个循环就会中断。
工作者获取URL的列表，将它们传递给通道。如果出现错误，会传递一个空列表，这样从通道读取的for循环最终会退出（计数器的设置方式是，我们等待从每个goroutine读取一个值）。
func ConcurrentChannel(url string, fetcher Fetcher) {
ch := make(chan []string)
go func() {
ch <- []string{url}
}()
master(ch, fetcher)
}
func master(ch chan []string, fetcher Fetcher) {
n := 1
fetched := make(map[string]bool)
for urls := range ch {
for _, u := range urls {
if fetched[u] == false {
fetched[u] = true
n += 1
go worker(u, ch, fetcher)
}
}
n -= 1
if n == 0 {
break
}
}
}
func worker(url string, ch chan []string, fetcher Fetcher) {
urls, err := fetcher.Fetch(url)
if err != nil {
ch <- []string{}
} else {
ch <- urls
}
}