Skip to content

Latest commit

 

History

History
127 lines (109 loc) · 4.95 KB

tutorial-06-parallel_wget.md

File metadata and controls

127 lines (109 loc) · 4.95 KB

一个简单的并行抓取:parallel_wget

示例代码

tutorial-06-parallel_wget.cc

关于parallel_wget

这是我们第一个并行任务的示例。
程序从命令行读入多个http URL(以空格分割),并行抓取这些URL,并按照输入顺序将抓取结果打印到标准输出。

创建并行任务

之前的示例里,我们已经接触过了SeriesWork类。

  • SeriesWork由任务构成,代表一系列任务的串行执行。所有任务结束,则这个series结束。
  • 与SeriesWork对应的ParallelWork类,parallel由series构成,代表若干个series的并行执行。所有series结束,则这个parallel结束。
  • ParallelWork是一种任务。

根据上述的定义,我们就可以动态或静态的生成任意复杂的工作流了。
Workflow类里,有两个接口用于产生并行任务:

class Workflow
{
    ...
public:
    static ParallelWork *
    create_parallel_work(parallel_callback_t callback);

    static ParallelWork *
    create_parallel_work(SeriesWork *const all_series[], size_t n,
                         parallel_callback_t callback);

    ...
};

第一个接口创建一个空的并行任务,第二个接口用一个series数组创建并行任务。
无论用哪个接口产生的并行任务,在启动之前都可以用ParallelWork的add_series()接口添加series。
在示例代码里,我们创建一个空的并行任务,并逐个添加series。

int main(int argc, char *argv[])
{
    ParallelWork *pwork = Workflow::create_parallel_work(callback);
    SeriesWork *series;
    WFHttpTask *task;
    HttpRequest *req;
    tutorial_series_context *ctx;
    int i;

    for (i = 1; i < argc; i++)
    {
        std::string url(argv[i]);
        ...
        task = WFTaskFactory::create_http_task(url, REDIRECT_MAX, RETRY_MAX,
            [](WFHttpTask *task)
        {
            // store resp to ctx.
        });

        req = task->get_req();
        // add some headers.
        ...

        ctx = new tutorial_series_context;
        ctx->url = std::move(url);
        series = Workflow::create_series_work(task, nullptr);
        series->set_context(ctx);
        pwork->add_series(series);
    }
    ...
}

从代码中看到,我们先创建http任务,但http任务并不能直接加入到并行任务里,需要先用它创建一个series。
每个series都带有context,用于保存url和抓取结果。相关的方法我们在之前的示例里都介绍过。

保存和使用抓取结果

http任务的callback是一个简单的lambda函数,把抓取结果保存在自己的series context里,以便并行任务获取。

    task = WFTaskFactory::create_http_task(url, REDIRECT_MAX, RETRY_MAX,
        [](WFHttpTask *task)
    {
        tutorial_series_context *ctx =
            (tutorial_series_context *)series_of(task)->get_context();
        ctx->state = task->get_state();
        ctx->error = task->get_error();
        ctx->resp = std::move(*task->get_resp());
    });

这个做法是必须的,因为http任务在callback之后就会被回收,我们只能把resp通过std::move()操作移走。
而在并行任务的callback里,我们可以很方便的获得结果:

void callback(const ParallelWork *pwork)
{
    tutorial_series_context *ctx;
    const void *body;
    size_t size;
    size_t i;

    for (i = 0; i < pwork->size(); i++)
    {
        ctx = (tutorial_series_context *)pwork->series_at(i)->get_context();
        printf("%s\n", ctx->url.c_str());
        if (ctx->state == WFT_STATE_SUCCESS)
        {
            ctx->resp.get_parsed_body(&body, &size);
            printf("%zu%s\n", size, ctx->resp.is_chunked() ? " chunked" : "");
            fwrite(body, 1, size, stdout);
            printf("\n");
        }
        else
            printf("ERROR! state = %d, error = %d\n", ctx->state, ctx->error);

        delete ctx;
    }
}

在这里,我们看到ParallelWork的两个新接口,size()和series_at(i),分别获得它的并行series个数,和第i个并行series。
通过series->get_context()取到对应series的上下文,打印结果。打印顺序必然和我们放入顺序一致。
在这个示例中,并行任务执行完就没有其它工作了。
我们上面说过,ParallelWork是一种任务,所以同样我们可以用series_of()获得它所在的series并添加新任务。
但是,如果新任务还要使用到抓取结果,我们需要再次用std::move()把数据移到并行任务所在series的上下文里。

并行任务启动

并行任务是一种任务,所以并行任务的启动并没有什么特别,可以直接调用start(),也可以用它建立或启动一个series。
在这个示例里,我们启动一个series,在这个series的callback里唤醒主进程,正常退出程序。
我们也可以在并行任务的callback里唤醒主进程,程序行为上区别不大。但在series callback里唤醒更加规范一点。