Go Tour练习：Web 爬虫

本篇是Go语言之旅练习之“Web 爬虫”的学习记录。

++++++++++++++++++++++++++++++++++++++++++++++++++++

在这个练习中，我们将会使用 Go 的并发特性来并行化一个 Web 爬虫。

修改 Crawl 函数来并行地抓取 URL，并且保证不重复。

提示：你可以用一个 map 来缓存已经获取的 URL，但是要注意 map 本身并不是并发安全的！

++++++++++++++++++++++++++++++++++++++++++++++++++++

根据提示实现一个并发安全的map并不难，但是没有经验的话会出现主进程先于子进程结束的情况。这就是我遇得到的问题。很多人引用了sync.WaitGroup来解决这个问题，但这个包并没有在教程中出现过，对一个从头跟到现在的入门者来说，多少有点超纲。另外的一种方法是，利用通道实现主进程和子进程之间的同步约束。

++++++++++++++++++++++++++++++++++++++++++++++++++++

type SafeCrawl struct{
	bufferPool map[string]bool
	mux sync.Mutex
}
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面，直到达到最大深度。
func (s *SafeCrawl)Crawl(url string, depth int,fetcher Fetcher,ch chan string) {
   defer close(ch)
   s.mux.Lock()
   if s.bufferPool[url] == true{
    	s.mux.Unlock()
	 	return
   }else{
    	s.bufferPool[url] = true
		 s.mux.Unlock()
   }

	if depth <= 0 {
		return
	}
	body, urls, err := fetcher.Fetch(url)
	if err != nil {
		fmt.Println(err)
		return
	}

	fmt.Printf("found: %s %q\n", url, body)
	subChs := []chan string{}
	for _, u := range urls {
	  sch := make(chan string)
	  go s.Crawl(u, depth-1, fetcher,sch)
		subChs = append(subChs,sch)
	}
	for _,sch:=range subChs{
	  for i := range sch{
		  fmt.Println(i)
	   }
	}
	return
}

完整程序：

package main

import (
	"fmt"
	"sync"
)

type Fetcher interface {
	// Fetch 返回 URL 的 body 内容，并且将在这个页面上找到的 URL 放到一个 slice 中。
	Fetch(url string) (body string, urls []string, err error)
}

type SafeCrawl struct{
	bufferPool map[string]bool
	mux sync.Mutex
}
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面，直到达到最大深度。
func (s *SafeCrawl)Crawl(url string, depth int,fetcher Fetcher,ch chan string) {
	defer close(ch)
   s.mux.Lock()
   if s.bufferPool[url] == true{
    	s.mux.Unlock()
	 	return
   }else{
    	s.bufferPool[url] = true
		 s.mux.Unlock()
   }

	if depth <= 0 {
		return
	}
	body, urls, err := fetcher.Fetch(url)
	if err != nil {
		fmt.Println(err)
		return
	}

	fmt.Printf("found: %s %q\n", url, body)
	subChs := []chan string{}
	for _, u := range urls {
	  sch := make(chan string)
	  go s.Crawl(u, depth-1, fetcher,sch)
		subChs = append(subChs,sch)
	}
	for _,sch:=range subChs{
	  for i := range sch{
		  fmt.Println(i)
	   }
	}
	return
}

func main() {
   c := &SafeCrawl{bufferPool:make(map[string]bool)}
   ch := make(chan string)
	c.Crawl("http://golang.org/", 4,fetcher,ch)
}

// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult

type fakeResult struct {
	body string
	urls []string
}

func (f fakeFetcher) Fetch(url string) (string, []string, error) {
	if res, ok := f[url]; ok {
		return res.body, res.urls, nil
	}
	return "", nil, fmt.Errorf("not found: %s", url)
}

// fetcher 是填充后的 fakeFetcher。
var fetcher = fakeFetcher{
	"http://golang.org/": &fakeResult{
		"The Go Programming Language",
		[]string{
			"http://golang.org/pkg/",
			"http://golang.org/cmd/",
		},
	},
	"http://golang.org/pkg/": &fakeResult{
		"Packages",
		[]string{
			"http://golang.org/",
			"http://golang.org/cmd/",
			"http://golang.org/pkg/fmt/",
			"http://golang.org/pkg/os/",
		},
	},
	"http://golang.org/pkg/fmt/": &fakeResult{
		"Package fmt",
		[]string{
			"http://golang.org/",
			"http://golang.org/pkg/",
		},
	},
	"http://golang.org/pkg/os/": &fakeResult{
		"Package os",
		[]string{
			"http://golang.org/",
			"http://golang.org/pkg/",
		},
	},
}