练习:Web Crawler - 并发性不起作用

Question

我正在进行golang之旅并进行最后一次练习,以便将Web爬虫更改为并行爬行而不是重复爬行(http://tour.golang.org/#73).我所改变的只是爬行功能.

    var used = make(map[string]bool)

    func Crawl(url string, depth int, fetcher Fetcher) {
        if depth <= 0 {
            return
        }
        body, urls, err := fetcher.Fetch(url)
        if err != nil {
            fmt.Println(err)
            return
        }
        fmt.Printf("\nfound: %s %q\n\n", url, body)
        for _,u := range urls {
            if used[u] == false {
                used[u] = true
                Crawl(u, depth-1, fetcher)
            }
        }
        return
    }

为了使它并发,我在函数Crawl的调用之前添加了go命令,但是不是递归地调用Crawl函数,程序只找到" http://golang.org/ "页面而没有其他页面.

当我将go命令添加到函数Crawl的调用时,为什么程序不能正常工作？

Answer 1

问题似乎是,在爬网程序可以跟踪所有URL之前,您的进程正在退出.由于并发性,main()程序在工作人员完成之前退出.

为了避免这种情况,您可以使用sync.WaitGroup:

func Crawl(url string, depth int, fetcher Fetcher, wg *sync.WaitGroup) {
    defer wg.Done()
    if depth <= 0 {
         return
    }
    body, urls, err := fetcher.Fetch(url)
    if err != nil {
        fmt.Println(err)
        return
    }
    fmt.Printf("\nfound: %s %q\n\n", url, body)
    for _,u := range urls {
        if used[u] == false {
           used[u] = true
           wg.Add(1)
           go Crawl(u, depth-1, fetcher, wg)
        }
    }
    return
}

并呼吁Crawl在main如下:

func main() {
    wg := &sync.WaitGroup{}

    Crawl("http://golang.org/", 4, fetcher, wg)

    wg.Wait()
}

另外,不要依赖地图是线程安全的.