从Go channel中批量读取数据
有时候批量积攒一批数据集中处理，是一个高效的提高程序性能的方法，比如我们可以批量写入数据库，批量发送消息到 kafka，批量写入网络数据等等。 批量把数据收集出来，我们常用 channel 类型，此时 channel 的功能就是一个 buffer,多个生产者把数据写入到 channel 中，消费者从 channel 中读取数据，但是 Go 的 channel 并没有提供批量读取的方法，我们需要自己实现一个。
github.com/smallnest/exp/chanx 库
当然我已经实现了一个 batch 库，你可以直接拿来用，本文主要介绍它的功能、使用方法以及设计原理和考量：github.com/smallnest/exp/chanx[1]。
我们可以使用这个库的Batch方法来批量读取数据，它的定义如下：
func Batch[T any](ctx context.Context, ch <-chan T, batchSize int, fn func([]T "T any"))
第一个参数是 Context,可以让调用者主动取消或者超时控制第二个参数是 channel，我们从这个 channel 中读取数据。channel 可以在外部被关闭 第三个参数是批处理的大小，也就是我们从 channel 中读取一批数据的最大量 第四个参数是一个函数，我们把从 channel 中读取的一批数据传递给这个函数，由这个函数来处理这批数据
举一个例子：
func TestBatch(t *testing.T) {
ch := make(chan int, 10)
for i := 0; i < 10; i++ {
ch <- i
}
count := 0
go Batch[int](context.Background( "int"), ch, 5, func(batch []int) {
if len(batch) != 5 {
assert.Fail(t, "expected batch size 5, got %d", len(batch))
}
count += len(batch)
})
time.Sleep(time.Second)
close(ch)
assert.Equal(t, 10, count)
}
这个例子一开始我们把 10 个数据写入到一个 channel 中，然后我们从 channel 中批量读取，每次读取 5 个，然后把这 5 个数据传递给一个函数来处理，我们可以看到，我们读取了两次，每次读取 5 个，总共读取了 10 个数据。
我们还可以使用FlatBatch方法来批量读取批量数据，它的定义如下：
func FlatBatch[T any](ctx context.Context, ch <-chan []T, batchSize int, fn func([]T "T any"))
这个函数和Batch类似，只不过它的 channel 中的数据是一个切片，每次从 channel 中读取到一个切片后，把这个切片中的数据展开放入到一批数据中，最后再传递给处理函数。所以它有Flat和Batch两个功能。
举一个例子：
func TestFlatBatch(t *testing.T) {
ch := make(chan []int, 10)
for i := 0; i < 10; i++ {
ch <- []int{i, i}
}
count := 0
go FlatBatch[int](context.Background( "int"), ch, 5, func(batch []int) {
assert.NotEmpty(t, batch)
count += len(batch)
})
time.Sleep(time.Second)
close(ch)
assert.Equal(t, 20, count)
}
在这个例子中，我们把 10 个切片写入到 channel 中，每个切片中有两个元素，然后我们从 channel 中批量读取并展开，放入到一个 batch 中，如果 batch 中的数据大于货等于 5 个，就把这 5 个数据传递给一个函数来处理，我们可以看到，我们读取了两次，每次读取 5 个，总共读取了 10 个数据。
实现原理和考量
想要从 channel 中批量读取数据，我们需要考虑以下几个问题：
我们需要设定一个批处理的大小，不能无限制的读取而不处理，否则会把消费者饿死，内存也会爆表 从 channel 中读取数据的时候，如果 channel 中没有数据，我们需要等待，直到 channel 中有数据，或者 channel 被关闭。 不能无限制的等待，或者长时间的等待，否则消费者会饥饿，而且时延太长业务不允许
我先举一个简单但是不太好的实现方式，我们在它的基础上做优化：
func Batch[T any](ctx context.Context, ch <-chan T, batchSize int, fn func([]T "T any")) {
var batch = make([]T, 0, batchSize)
for {
select {
case <-ctx.Done():
if len(batch) > 0 {
fn(batch)
}
return
case v, ok := <-ch:
if !ok { // closed
fn(batch)
return
}
batch = append(batch, v)
if len(batch) == batchSize { // full
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
}
}
}
这个实现中我们使用了一个batch变量来保存从 channel 中读取的数据，当batch中的数据量达到batchSize时，我们就把这个batch传递给处理函数，然后清空batch，继续读取数据。
这个实现的一个最大的问题就是，如果 channel 中没有数据，并且当前 batch 的数量还未达到预期， 我们就会一直等待，直到 channel 中有数据，或者 channel 被关闭，这样会导致消费者饥饿。
我们可以使用select语句来解决这个问题，我们可以在select语句中加入一个default分支，当 channel 中没有数据的时候，就会执行default分支以便在 channel 中没有数据的时候，我们能够把已读取到的数据也能交给函数 fn 去处理。
func Batch[T any](ctx context.Context, ch <-chan T, batchSize int, fn func([]T "T any")) {
var batch = make([]T, 0, batchSize)
for {
select {
case <-ctx.Done():
if len(batch) > 0 {
fn(batch)
}
return
case v, ok := <-ch:
if !ok { // closed
fn(batch)
return
}
batch = append(batch, v)
if len(batch) == batchSize { // full
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
default:
if len(batch) > 0 {
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
}
}
}
这个实现貌似解决了消费者饥饿的问题，但是也会带来一个新的问题，如果 channel 中总是没有数据，那么我们总是落入default分支中，导致 CPU 空转，这个 goroutine 可能导致 CPU 占用 100%, 这样也不行。
有些人会使用time.After来解决这个问题，我们可以在select语句中加入一个time.After分支，当 channel 中没有数据的时候，就会执行time.After分支，这样我们就可以在 channel 中没有数据的时候，等待一段时间，如果还是没有数据，就把已读取到的数据也能交给函数 fn 去处理。
func Batch[T any](ctx context.Context, ch <-chan T, batchSize int, fn func([]T "T any")) {
var batch = make([]T, 0, batchSize)
for {
select {
case <-ctx.Done():
if len(batch) > 0 {
fn(batch)
}
return
case v, ok := <-ch:
if !ok { // closed
fn(batch)
return
}
batch = append(batch, v)
if len(batch) == batchSize { // full
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
case <-time.After(100 * time.Millisecond):
if len(batch) > 0 {
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
}
}
}
这样貌似解决了 CPU 空转的问题，如果你测试这个实现，生产者在生产数据很慢的时候，程序的 CPU 的确不会占用 100%。
但是正如有经验的 Gopher 意识到的那样，这个实现还是有问题的，如果生产者生产数据的速度很快，而消费者处理数据的速度很慢，那么我们就会产生大量的Timer,这些 Timer 不能及时的被回收，可能导致大量的内存占用，而且如果有大量的 Timer,也会导致 Go 运行时处理 Timer 的性能。
这里我提出一个新的解决办法，在这个库中实现了，我们不应该使用time.After，因为time.After既带来了性能的问题，还可能导致它在休眠的时候不能及时读取 channel 中的数据，导致业务时延增加。
最终的实现如下：
func Batch[T any](ctx context.Context, ch <-chan T, batchSize int, fn func([]T "T any")) {
var batch = make([]T, 0, batchSize)
for {
select {
case <-ctx.Done():
if len(batch) > 0 {
fn(batch)
}
return
case v, ok := <-ch:
if !ok { // closed
fn(batch)
return
}
batch = append(batch, v)
if len(batch) == batchSize { // full
fn(batch)
batch = make([]T, 0, batchSize) // reset
}
default:
if len(batch) > 0 { // partial
fn(batch)
batch = make([]T, 0, batchSize) // reset
} else { // empty
// wait for more
select {
case <-ctx.Done():
if len(batch) > 0 {
fn(batch)
}
return
case v, ok := <-ch:
if !ok {
return
}
batch = append(batch, v)
}
}
}
}
}
这个实现的巧妙之处在于default出来。
如果代码运行落入到default分支，说明当前 channel 中没有数据可读。那么它会检查当前的batch中是否有数据，如果有，就把这个batch传递给处理函数，然后清空batch，继续读取数据。这样已读取的数据能够及时得到处理。
如果当前的batch中没有数据，那么它会再次进入select语句，等待 channel 中有数据，或者 channel 被关闭，或者ctx被取消。如果 channel 中没有数据，那么它会被阻塞，直到 channel 中有数据，或者 channel 被关闭，或者ctx被取消。这样就能够及时的读取 channel 中的数据，而不会导致 CPU 空转。
通过在default分支中的特殊处理，我们就可以低时延高效的从 channel 中批量读取数据了。
参考资料
github.com/smallnest/exp/chanx: https://github.com/smallnest/exp/blob/master/chanx/batcher.go