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：

  1. class Workflow
  2. {
  3.     ...
  4. public:
  5.     static ParallelWork *
  6.     create_parallel_work(parallel_callback_t callback);
  8.     static ParallelWork *
  9.     create_parallel_work(SeriesWork *const all_series[], size_t n,
  10.                          parallel_callback_t callback);
  12.     ...
  13. };

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。

  1. int main(int argc, char *argv[])
  2. {
  3.     ParallelWork *pwork = Workflow::create_parallel_work(callback);
  4.     SeriesWork *series;
  5.     WFHttpTask *task;
  6.     HttpRequest *req;
  7.     tutorial_series_context *ctx;
  8.     int i;
  10.     for (i = 1; i < argc; i++)
  11.     {
  12.         std::string url(argv[i]);
  13.         ...
  14.         task = WFTaskFactory::create_http_task(url, REDIRECT_MAX, RETRY_MAX,
  15.             [](WFHttpTask *task)
  16.         {
  17.             // store resp to ctx.
  18.         });
  20.         req = task->get_req();
  21.         // add some headers.
  22.         ...
  24.         ctx = new tutorial_series_context;
  25.         ctx->url = std::move(url);
  26.         series = Workflow::create_series_work(task, nullptr);
  27.         series->set_context(ctx);
  28.         pwork->add_series(series);
  29.     }
  30.     ...
  31. }

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。

  1.     task = WFTaskFactory::create_http_task(url, REDIRECT_MAX, RETRY_MAX,
  2.         [](WFHttpTask *task)
  3.     {
  4.         tutorial_series_context *ctx =
  5.             (tutorial_series_context *)series_of(task)->get_context();
  6.         ctx->state = task->get_state();
  7.         ctx->error = task->get_error();
  8.         ctx->resp = std::move(*task->get_resp());
  9.     });

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：

  1. void callback(const ParallelWork *pwork)
  2. {
  3.     tutorial_series_context *ctx;
  4.     const void *body;
  5.     size_t size;
  6.     size_t i;
  8.     for (i = 0; i < pwork->size(); i++)
  9.     {
  10.         ctx = (tutorial_series_context *)pwork->series_at(i)->get_context();
  11.         printf("%s\n", ctx->url.c_str());
  12.         if (ctx->state == WFT_STATE_SUCCESS)
  13.         {
  14.             ctx->resp.get_parsed_body(&body, &size);
  15.             printf("%zu%s\n", size, ctx->resp.is_chunked() ? " chunked" : "");
  16.             fwrite(body, 1, size, stdout);
  17.             printf("\n");
  18.         }
  19.         else
  20.             printf("ERROR! state = %d, error = %d\n", ctx->state, ctx->error);
  22.         delete ctx;
  23.     }
  24. }

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。