前言
并发编程一直是Golang区别与其他语言的很大优势，也是实际工作场景中经常遇到的。近日笔者在组内分享了我们常见的并发场景，及代码示例，以期望大家能在遇到相同场景下，能快速的想到解决方案，或者是拿这些方案与自己实现的比较，取长补短。现整理出来与大家共享。
简单并发场景
很多时候，我们只想并发的做一件事情，比如测试某个接口的是否支持并发。那么我们就可以这么做：
func RunScenario1() {
count := 10
var wg sync.WaitGroup
for i := 0; i < count; i++ {
wg.Add(1)
go func(index int) {
defer wg.Done()
doSomething(index)
}(i)
}
wg.Wait()
}使用goroutine来实现异步，使用WaitGroup来等待所有goroutine结束。这里要注意的是要正确释放WaitGroup的counter(在goroutine里调用Done()方法)。
但此种方式有个弊端，就是当goroutine的量过多时，很容易消耗完客户端的资源，导致程序表现不佳。
规定时间内的持续并发模型
我们仍然以测试某个后端API接口为例，如果我们想知道这个接口在持续高并发情况下是否有句柄泄露，这种情况该如何测试呢？
这种时候，我们需要能控制时间的高并发模型：
func RunScenario2() {
timeout := time.Now().Add(time.Second * time.Duration(10))
n := runtime.NumCPU()
waitForAll := make(chan struct{})
done := make(chan struct{})
concurrentCount := make(chan struct{}, n)
for i := 0; i < n; i++ {
concurrentCount <- struct{}{}="" }="" go="" func()="" {="" for="" time.now().before(timeout)="" <-done="" concurrentcount="" <-="" waitforall="" }()="" <-concurrentcount="" dosomething(rand.intn(n))="" done="" <-waitforall="" }上面的代码里，我们通过一个buffered channel来控制并发的数量(concurrentCount)，然后另起一个channel来周期性的发起新的任务，而控制的条件就是 time.Now().Before(timeout)，这样当超过规定的时间，waitForAll 就会得到信号，而使整个程序退出。
这是一种实现方式，那么还有其他的方式没？我们接着往下看。
基于大数据量的并发模型
前面说的基于时间的并发模型，那如果只知道数据量很大，但是具体结束时间不确定，该怎么办呢？
比如，客户给了个几TB的文件列表，要求把这些文件从存储里删除。再比如，实现个爬虫去爬某些网站的所有内容。
而解决此类问题，最常见的就是使用工作池模式了(Worker Pool)。以删文件为例，我们可以简单这样来处理：
Jobs – 可以从文件列表里读取文件，初始化为任务，然后发给worker
Worker – 拿到任务开始做事
Collector – 收集worker处理后的结果
Worker Pool – 控制并发的数量
虽然这只是个简单Worker Pool模型，但已经能满足我们的需求：
func RunScenario3() {
numOfConcurrency := runtime.NumCPU()
taskTool := 10
jobs := make(chan int, taskTool)
results := make(chan int, taskTool)
var wg sync.WaitGroup
// workExample
workExampleFunc := func(id int, jobs <-chan 2="" int,="" results="" chan<-="" wg="" *sync.waitgroup)="" {="" defer wg.done()="" for="" job="" :="range" jobs="" res="" *="" fmt.printf("worker="" %d="" do="" things,="" produce="" result="" n",="" id,="" res)="" time.sleep(time.millisecond="" time.duration(100))="" <-="" }="" i="" <="" numofconcurrency;="" i++="" wg.add(1)="" go="" workexamplefunc(i,="" jobs,="" results,="" &wg)="" totaltasks="" 本例就要从文件列表里读取="" func()="" totaltasks;="" n="" fmt.printf("got="" n)="" close(results)="" }()="" close(jobs)="" wg.wait()="" }在Go里，分发任务，收集结果，我们可以都交给Channel来实现。从实现上更加的简洁。
仔细看会发现，本模型也是适用于按时间来控制并发。只要把totalTask的遍历换成时间控制就好了。
等待异步任务执行结果
goroutine和channel的组合在实际编程时经常会用到，而加上Select更是无往而不利。
func RunScenario4() {
sth := make(chan string)
result := make(chan string)
go func() {
id := rand.Intn(100)
for {
sth <- dosomething(id)="" }="" }()="" go="" func()="" {="" for="" result="" <-="" takesomthing(<-sth)="" select="" case="" c="" :="<-result:" fmt.printf("got="" %s="" ",="" c)="" <-time.after(time.duration(30="" *="" time.second)):="" fmt.errorf("指定时间内都没有得到结果")="" }在select的case情况，加上time.After()模型可以让我们在一定时间范围内等待异步任务结果，防止程序卡死。
定时反馈异步任务结果
上面我们说到持续的压测某后端API，但并未实时收集结果。而很多时候对于性能测试场景，实时的统计吞吐率，成功率是非常有必要的。
func RunScenario5() {
concurrencyCount := runtime.NumCPU()
for i := 0; i < concurrencyCount; i++ {
go func(index int) {
for {
doUploadMock()
}
}(i)
}
t := time.NewTicker(time.Second)
for {
select {
case <-t.c: 计算并打印实时数据="" }="" }这种场景就需要使用到Ticker，且上面的Example模型还能控制并发数量，也是非常实用的方式。
知识点总结
上面我们共提到了五种并发模式：
简单并发模型
规定时间内的持续并发模型
基于大数据量的持续并发模型
等待异步任务结果模型
定时反馈异步任务结果模型
归纳下来其核心就是使用了Go的几个知识点：Goroutine, Channel, Select, Time, Timer/Ticker, WaitGroup. 若是对这些不清楚，可以自行Google之。
另完整的Example 代码可以参考这里：https://github.com/jichangjun/golearn/blob/master/src/carlji.com/experiments/concurrency/main.go
使用方式： go run main.go
比如 :
参考文档
https://github.com/golang/go/wiki/LearnConcurrency
这篇是Google官方推荐学习Go并发的资料，从初学者到进阶，内容非常丰富，且权威。
：http://www.linuxidc.com/Linux/2017-01/139928.htm
