Golang被证明非常适合并发编程,goroutine比异步编程更易读、优雅、高效。本文提出一个适合由Golang实现的Pipeline执行模型,适合批量处理大量数据(ETL)的情景。
想象这样的应用情景:
(1)从数据库A(Cassandra)加载用户评论(量巨大,例如10亿条);
(2)根据每条评论的用户ID、从数据库B(MySQL)关联用户资料;
(3)调用NLP服务(自然语言处理),处理每条评论;
(4)将处理结果写入数据库C(ElasticSearch)。
由于应用中遇到的各种问题,归纳出这些需求:
需求一:应分批处理数据,例如规定每批100条。出现问题时(例如任意一个数据库故障)则中断,下次程序启动时使用checkpoint从中断处恢复。
需求二:每个流程设置合理的并发数、让数据库和NLP服务有合理的负载(不影响其它业务的基础上,尽可能占用更多资源以提高ETL性能)。例如,步骤(1)-(4)分别设置并发数1、8、32、2。
这就是一个典型的Pipeline(流水线)执行模型。把每一批数据(例如100条)看作流水线上的产品,4个步骤对应流水线上4个处理工序,每个工序处理完毕后就把半成品交给下一个工序。每个工序可以同时处理的产品数各不相同。
你可能首先想到启用1+8+32+2个goroutine,使用channel来传递半成品。我也曾经这么干,结论就是这么干会让程序员疯掉:流程并发控制代码非常复杂,特别是你得处理异常、执行时间超出预期、可控中断等问题,你不得不加入一堆channel,直到你自己都不记得有什么用。
为了更高效完成ETL工作,我将Pipeline抽象成模块。我先把代码粘贴出来,再解析含义。模块可以直接使用,主要使用的接口是:NewPipeline、Async、Wait。
package main
import "sync"
func HasClosed(c <-chan struct{}) bool {
select {
case <-c: return true
default: return false
}
}
type SyncFlag interface{
Wait()
Chan() <-chan struct{}
Done() bool
}
func NewSyncFlag() (done func(), flag SyncFlag) {
f := &syncFlag{
c : make(chan struct{}),
}
return f.done, f
}
type syncFlag struct {
once sync.Once
c chan struct{}
}
func (f *syncFlag) done() {
f.once.Do(func(){
close(f.c)
})
}
func (f *syncFlag) Wait() {
<-f.c
}
func (f *syncFlag) Chan() <-chan struct{} {
return f.c
}
func (f *syncFlag) Done() bool {
return HasClosed(f.c)
}
type pipelineThread struct {
sigs []chan struct{}
chanExit chan struct{}
interrupt SyncFlag
setInterrupt func()
err error
}
func newPipelineThread(l int) *pipelineThread {
p := &pipelineThread{
sigs : make([]chan struct{}, l),
chanExit : make(chan struct{}),
}
p.setInterrupt, p.interrupt = NewSyncFlag()
for i := range p.sigs {
p.sigs[i] = make(chan struct{})
}
return p
}
type Pipeline struct {
mtx sync.Mutex
workerChans []chan struct{}
prevThd *pipelineThread
}
//创建流水线,参数个数是每个任务的子过程数,每个参数对应子过程的并发度。
func NewPipeline(workers ...int) *Pipeline {
if len(workers) < 1 { panic("NewPipeline need aleast one argument") }
workersChan := make([]chan struct{}, len(workers))
for i := range workersChan {
workersChan[i] = make(chan struct{}, workers[i])
}
prevThd := newPipelineThread(len(workers))
for _,sig := range prevThd.sigs {
close(sig)
}
close(prevThd.chanExit)
return &Pipeline{
workerChans : workersChan,
prevThd : prevThd,
}
}
//往流水线推入一个任务。如果第一个步骤的并发数达到设定上限,这个函数会堵塞等待。
//如果流水线中有其它任务失败(返回非nil),任务不被执行,函数返回false。
func (p *Pipeline) Async(works ...func()error) bool {
if len(works) != len(p.workerChans) {
panic("Async: arguments number not matched to NewPipeline(...)")
}
p.mtx.Lock()
if p.prevThd.interrupt.Done() {
p.mtx.Unlock()
return false
}
prevThd := p.prevThd
thisThd := newPipelineThread(len(p.workerChans))
p.prevThd = thisThd
p.mtx.Unlock()
lock := func(idx int) bool {
select {
case <-prevThd.interrupt.Chan(): return false
case <-prevThd.sigs[idx]: //wait for signal
}
select {
case <-prevThd.interrupt.Chan(): return false
case p.workerChans[idx]<-struct{}{}: //get lock
}
return true
}
if !lock(0) {
thisThd.setInterrupt()
<-prevThd.chanExit
thisThd.err = prevThd.err
close(thisThd.chanExit)
return false
}
go func() { //watch interrupt of previous thread
select {
case <-prevThd.interrupt.Chan():
thisThd.setInterrupt()
case <-thisThd.chanExit:
}
}()
go func() {
var err error
for i,work := range works {
close(thisThd.sigs[i]) //signal next thread
if work != nil {
err = work()
}
if err != nil || (i+1 < len(works) && !lock(i+1)) {
thisThd.setInterrupt()
break
}
<-p.workerChans[i] //release lock
}
<-prevThd.chanExit
if prevThd.interrupt.Done() {
thisThd.setInterrupt()
}
if prevThd.err != nil {
thisThd.err = prevThd.err
} else {
thisThd.err = err
}
close(thisThd.chanExit)
}()
return true
}
//等待流水线中所有任务执行完毕或失败,返回第一个错误,如果无错误则返回nil。
func (p *Pipeline) Wait() error {
p.mtx.Lock()
lastThd := p.prevThd
p.mtx.Unlock()
<-lastThd.chanExit
return lastThd.err
}
使用这个Pipeline组件,我们的ETL程序将会简单、高效、可靠,让程序员从繁琐的并发流程控制中解放出来:
package main
import "log"
func main() {
checkpoint := loadCheckpoint()
//工序(1)在pipeline外执行,最后一个工序是保存checkpoint
pipeline := NewPipeline(8, 32, 2, 1)
for {
//(1)
//加载100条数据,并修改变量checkpoint
//data是数组,每个元素是一条评论,之后的联表、NLP都直接修改data里的每条记录。
data, err := extractReviewsFromA(&checkpoint, 100)
if err != nil {
log.Print(err)
break
}
curCheckpoint := checkpoint
ok := pipeline.Async(func() error {
//(2)
return joinUserFromB(data)
}, func() error {
//(3)
return nlp(data)
}, func() error {
//(4)
return loadDataToC(data)
}, func() error {
//(5)保存checkpoint
log.Print("done:", curCheckpoint)
return saveCheckpoint(curCheckpoint)
})
if !ok { break }
if len(data) < 100 { break } //处理完毕
}
err := pipeline.Wait()
if err != nil { log.Print(err) }
}
Pipeline执行模型的特性:
1、Pipeline分别控制每一个工序的并发数,如果(4)的并发数已满,某个线程的(3)即使完成都会堵塞等待,直到(4)有一个线程完成。
2、在上面的情景中,Pipeline最多同时处理1+8+32+2+1=44个线程共4400条记录,内存开销可控。
3、每个线程的每个工序的调度,不早于上一个线程同一个工序的调度。
例如:有两个线程正在执行,<1>先执行、<2>后执行。如果<2>(4)早于<1>(4)完成,那<2>必须堵塞等待,直到<1>(4)完成、<1>(5)开始执行,那<2>(5)才会开始。又因为(5)的最大并发数是1,所以实际上<2>(5)必须等待<1>(5)完成才会开始。这个机制保证checkpoint的执行顺序一定是按照Async的顺序,避免中断、继续时漏处理数据。
4、如果某个线程的某个工序处理失败(例如数据库故障),那之后的线程都会中止执行,下一次调用Async返回false,pipeline.Wait()返回第一个错误,整个流水线作业可控中断。
例如:有三个线程正在执行:<1>、<2>、<3>。如果<2>(4)失败(loadDataToC返回error非nil),那<3>无论正在执行到哪一个工序,都不会进入下一个工序而中断。<1>不会受到影响,会一直执行完毕。Wait()等待<1><2><3>全部完成或中止,返回loadDataToC的错误。
5、无法避免中断过程中有checkpoint后的数据写入。下次重启程序将重新写入、覆盖这些数据。
例如:<2>(4)失败、<3>(4)执行成功(已写入数据),那<2>(5)和<3>(5)都不会被执行,checkpoint的最新状态是<1>写入的,下次重启程序将重新执行<2>和<3>,其中<3>的数据会再次写入,所以写入应该按照记录ID作覆盖写入。
6、你可以随时Ctrl+C、重启程序,所有事情都会继续有序执行。死机?毫无压力。
总结:Pipeline执行模型除了限制并发数,也能限制内存开销,对失败恢复有充足的考虑,让程序员从繁琐的并发编程中解放出来。
吐槽:Python程序员没办法用几百行代码就漂亮地完成这个任务。