goroutine阻塞和非阻塞使用

我正在努力理解日常工作是如何进行的。下面是一些代码：

//parallelSum.go
func sum(a []int, c chan<- int, func_id string) {
    sum := 0
    for _, n := range a {
        sum += n
    }
    log.Printf("func_id %v is DONE!", func_id)
    c <- sum
}   
func main() {
    ELEM_COUNT := 10000000
    test_arr := make([]int, ELEM_COUNT)
    for i := 0; i < ELEM_COUNT; i++ {
        test_arr[i] = i * 2 
    }
    c1 := make(chan int)
    c2 := make(chan int)
    go sum(test_arr[:len(test_arr)/2], c1, "1")
    go sum(test_arr[len(test_arr)/2:], c2, "2")
    x := <-c1
    y := <-c2

    //x, y := <-c, <-c
    log.Printf("x= %v, y = %v, sum = %v", x, y, x+y)
}   

以下是1次运行的输出：

average time for iterSum = 0.27
average time for parallelSum = 0.29

---

所以，这里有几个问题。首先，在并发示例中，您的通道没有缓冲，这意味着接收端可能还需要彼此等待一段时间。其次，并发并不意味着并行。您确定这些线程实际上是并行运行的，而不是简单地调度在同一个OS线程上吗

也就是说，这里的主要问题是Python代码在每次迭代中都使用了

go-run

，这意味着记录的绝大多数“运行时”实际上是代码的编译（

go-run

编译并运行指定的文件，特别是在设计时，它不会缓存任何文件）。如果您想测试运行时，请使用，而不是您自己的拼凑版本。你会得到更准确的结果。例如，除了编译瓶颈之外，也无法确定Python代码本身引入了多少瓶颈

---

哦，您应该改掉使用函数引用参数作为“返回”值的方法的习惯。Go支持多个返回，因此C风格的就地修改参数通常被认为是一种反模式，除非有真正令人信服的理由这样做。

因此，这里有几个问题。首先，在并发示例中，您的通道没有缓冲，这意味着接收端可能还需要彼此等待一段时间。其次，并发并不意味着并行。您确定这些线程实际上是并行运行的，而不是简单地调度在同一个OS线程上吗

也就是说，这里的主要问题是Python代码在每次迭代中都使用了

go-run

，这意味着记录的绝大多数“运行时”实际上是代码的编译（

go-run

编译并运行指定的文件，特别是在设计时，它不会缓存任何文件）。如果您想测试运行时，请使用，而不是您自己的拼凑版本。你会得到更准确的结果。例如，除了编译瓶颈之外，也无法确定Python代码本身引入了多少瓶颈

---

哦，您应该改掉使用函数引用参数作为“返回”值的方法的习惯。Go支持多个返回，因此C风格的就地修改参数通常被认为是一种反模式，除非有令人信服的理由这样做。

“并行化不应该让事情更快吗？”也许。并发不是一个灵丹妙药，并发的影响很大程度上取决于操作环境（硬件、操作系统等）和正在执行的代码。“并行化不应该让事情变得更快吗？”也许。并发不是万能的，并发的影响很大程度上取决于操作环境（硬件、操作系统等）和正在执行的代码。我认为Python代码不会引入瓶颈。在unix上，它本质上被转换为

time

命令，仅此而已。但您无法实际证明这一点。Python的解释速度比Go慢，并且在Unix中使用

time

命令的精度远远低于Go运行时在基准测试期间使用的直接OS API调用。我认为Python代码不会引入瓶颈。在unix上，它本质上被转换为

time

命令，仅此而已。但您无法实际证明这一点。Python是解释型的，它天生比Go慢，并且在Unix中使用

time

命令远不如Go运行时在基准测试期间使用的直接OS-API调用精确。

iterCmd = 'go run iterSum.go'
parallelCmd = 'go run parallelSum.go'

runCount = 20


def analyzeCmd(cmd, runCount):
    runData = []
    print("running cmd (%s) for (%s) times" % (cmd, runCount))
    for i in range(runCount):
    ┆   start_time = time.time()
    ┆   cmd_out = subprocess.check_call(shlex.split(cmd))
        run_time = time.time() - start_time
    ┆   curr_data = {'iteration': i, 'run_time' : run_time}
    ┆   runData.append(curr_data)

    return runData

iterOut = analyzeCmd(iterCmd, runCount)
parallelOut = analyzeCmd(parallelCmd, runCount)

print("iter cmd data -->")
print(iterOut)

with open('iterResults.json', 'w') as f:
    json.dump(iterOut, f)

print("parallel cmd data -->")
print(parallelOut)

with open('parallelResults.json', 'w') as f:
    json.dump(parallelOut, f)

avg = lambda results: sum(i['run_time'] for i in results) / len(results)
print("average time for iterSum = %3.2f" % (avg(iterOut)))
print("average time for parallelSum = %3.2f" % (avg(parallelOut)))

average time for iterSum = 0.27
average time for parallelSum = 0.29