新闻详情

新闻详情

首页 / 资讯中心 / 详情

Go语言第十三章(互斥锁,读写锁)

发布时间:2026/11/16 7:07:27来源:尧图网络
Go语言第十三章(互斥锁,读写锁)
互斥锁与读写锁上一篇用channel在协程之间传数据。有时协程要共改同一块内存——比如几个协程一起往同一个切片里append。这时通道不是唯一答案标准库sync里的锁也很常用。入门先记住三件事互斥锁Mutex同一时刻只允许一个协程进「临界区」改共享数据。不加锁并发改切片 / map可能丢数据、甚至崩溃数据竞争。读写锁RWMutex读可以多人同时读写还是独占。适合「读多写少」。口诀对照channel 偏「把结果递出去」锁偏「大家轮流改同一份」。为什么要锁奶茶菜单被同时加料场景菜单里已有三杯奶茶三个协程各自再加一杯。共享的是同一个切片arr改它时要排队。加了互斥锁每次都能累加成功packagemainimport(fmtsync)funcworker(arr*[]string,wg*sync.WaitGroup,mu*sync.Mutex,teastring){deferwg.Done()mu.Lock()// 上锁别人先别动 arr*arrappend(*arr,tea)// 临界区只有拿到锁的协程能改mu.Unlock()// 解锁下一位可以进来}funcmain(){varwg sync.WaitGroupvarmu sync.Mutex arr:[]string{芋泥波波,绿茶,红茶}wg.Add(3)goworker(arr,wg,mu,柠檬茶)goworker(arr,wg,mu,霸王茶姬)goworker(arr,wg,mu,爷爷不泡茶)wg.Wait()fmt.Println(arr)}多次运行切片里都会有6 个名字原来 3 个 新加 3 个。顺序可能每次不同谁先抢到锁谁先加但不会少[芋泥波波 绿茶 红茶 柠檬茶 霸王茶姬 爷爷不泡茶]或[芋泥波波 绿茶 红茶 霸王茶姬 柠檬茶 爷爷不泡茶]要点写法含义mu.Lock()拿到锁别人正在锁里时这里会卡住等待mu.Unlock()放开锁漏写会让别的协程永远等*arr传的是切片指针改的才是main里那份wg/mu也要传指针和上一篇 WaitGroup 一样传值等于改副本外面感知不到defer wg.Done()放在函数开头保证协程怎么退出都会报到锁则建议尽快 Unlock不要把无关的慢操作包在锁里。不加锁会怎样看起来像「被盖掉」把Lock/Unlock拿掉三个协程同时append同一份切片funcworker(arr*[]string,wg*sync.WaitGroup,teastring){deferwg.Done()*arrappend(*arr,tea)// 没有锁多人同时改}append内部要读长度、扩容、写元素——几步叠在一起。多协程交错执行时可能出现有的茶没加进去少了几杯像被覆盖偶发panic例如索引越界用go run -race会报data race所以入门结论很简单多人同时改同一份切片 / map先加锁或改成只用 channel 串行化。读写锁读多写少时更合适Mutex读写都互斥有人读菜单时别人也不能读。若业务是「很多人都在看菜单偶尔改一次」可以用sync.RWMutexRLock/RUnlock加读锁多个读可以同时进行。Lock/Unlock加写锁写的时候别人既不能读也不能写。下面继续用菜单两个协程读、一个协程写。写这边故意Sleep(1ms)先让读锁先拿到方便体会「读可以并行、写要等读完」。packagemainimport(fmtsynctime)funcread(arr*[]string,wg*sync.WaitGroup,mu*sync.RWMutex){deferwg.Done()mu.RLock()fmt.Println(*arr)time.Sleep(20*time.Millisecond)// 模拟慢慢读mu.RUnlock()}funcwrite(arr*[]string,wg*sync.WaitGroup,mu*sync.RWMutex,teastring){deferwg.Done()time.Sleep(1*time.Millisecond)// 先让读锁触发mu.Lock()time.Sleep(10*time.Millisecond)// 模拟写入耗时*arrappend(*arr,tea)mu.Unlock()}funcmain(){varwg sync.WaitGroupvarrwmu sync.RWMutex menu:[]string{芋泥波波,绿茶,红茶}wg.Add(3)goread(menu,wg,rwmu)goread(menu,wg,rwmu)gowrite(menu,wg,rwmu,爷爷不泡茶)wg.Wait()fmt.Println(最终菜单,menu)}可能的输出两个读可以重叠所以往往先看到两次「还没加料」的菜单写在读锁释放后才能完成[芋泥波波 绿茶 红茶] [芋泥波波 绿茶 红茶] 最终菜单 [芋泥波波 绿茶 红茶 爷爷不泡茶]要点写法含义mu.RLock()/RUnlock()读锁多个read可以同时拿着mu.Lock()/Unlock()写锁要等读锁都放开且期间别人读不了、也写不了write里先Sleep(1ms)演示用让读先执行真实代码一般不需要这样凑时序记住只读 →RLock/RUnlock要改 → 还是Lock/Unlock写锁入门阶段不确定就用Mutex确认读远多于写再换成RWMutex和 channel 怎么选入门版场景建议协程算完把结果交回channel多个结果依次汇总、或流水线channel多个协程共改同一个切片 / map / 计数器Mutex或RWMutex读很多、写很少的共享数据优先考虑RWMutex只是等任务做完、不改共享数据继续用WaitGroup即可Go 社区常说「不要通过共享内存来通信而要通过通信来共享内存」——意思是优先 channel。但计数器、缓存、就地改结构体字段这类场景加锁往往更直接。两种都会用按场景选。作业复现丢数据用本文「不加锁」版本跑十几次观察切片长度是否总是 6有条件的话用go run -race .看是否报 data race。加上 Mutex恢复Lock/Unlock确认每次长度都是 6并打印出完整菜单。计数器多个协程给同一个var n int各加 1000 次。分别写「无锁」和「Mutex保护n」两版对比最终n是否等于期望值。读写锁小练习一个map[string]int表示库存。启动 3 个协程用RLock打印某商品库存再启动 1 个协程用写锁把该商品库存1。用WaitGroup等全部结束。
网站建设高端定制企业官网
RELATED

相关资讯

更多精彩内容,欢迎继续阅读

较早相关资讯

最新相关资讯

【外设】之大彩串口显示屏 2026/11/15 4:54:16

【外设】之大彩串口显示屏

大彩串口屏初步使用 1 .官网下载 STM32 屏幕 GUI 设计资料 http://www.gz-dc.com/category/typeid/4112 找到 STM32 Keil 工程,移植相关代码因项目而异进行移植,由于项目简单,本人只对用到的指令接口进行修改。 比如:注意事项&…

阅读更多 →
无法下载Windows系统iso文件 2026/11/15 2:04:12

无法下载Windows系统iso文件

当我遇到这个问题的时候,我打开了一个网站: 登录 然后我打算下载的时候: 突然那个官方的连接就可以下载了:

阅读更多 →
【清华代码熊】DeepSeek V4.1 Flash 后训练详解 2026/11/16 19:23:38

【清华代码熊】DeepSeek V4.1 Flash 后训练详解

📌 上期解析了 DeepSeek V4.1 Flash 模型架构改进,本期解析 DeepSeek V4.1 Flash 预训练/后训练技术: 🌟 预训练:45T 文本 多模态混合语料、直接训练 sparse attention(取消 DeepSeek V4 的 dense 冷启动&…

阅读更多 →
Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ... 2026/11/16 6:47:19

Shuffle-R1: Efficient RL framework for Multimodal Large Language Models via Data-centric Dynamic ...

文章主要内容和创新点 主要内容 本文聚焦于多模态大语言模型(MLLM)强化学习(RL)训练中的效率问题,提出了一个名为Shuffle-R1的框架。研究发现,当前RL训练存在两个关键缺陷: 优势值坍缩(Advantage Collapsing):批次中大多数优势值集中在零附近,导致有效梯度信号被淹…

阅读更多 →
PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction 2026/11/14 16:35:50

PRvL: Quantifying the Capabilities and Risks of Large Language Models for PII Redaction

一、文章主要内容总结 本文聚焦于利用大型语言模型(LLMs)实现个人身份信息(PII)脱敏的研究,旨在解决传统脱敏方法(如基于规则的系统、领域特定命名实体识别(NER)模型)泛化能力差、跨格式/跨语境适应性弱的问题。 研究通过全面评估多种LLM架构(包括密集型LLM(D-LLM…

阅读更多 →
LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model 2026/11/16 17:28:18

LLaVA-RE: Binary Image-Text Relevancy Evaluation with Multimodal Large Language Model

文章主要内容和创新点 主要内容 本文聚焦于二进制图像-文本相关性评估任务(判断图像与文本“相关”或“不相关”),针对该任务中文本格式多样、相关性定义随场景变化等挑战,提出了基于多模态大语言模型(MLLM)的解决方案LLaVA-RE。 模型设计:LLaVA-RE基于LLaVA 1.5架构,…

阅读更多 →

今日资讯

本周资讯

本月资讯

看完文章仍有疑问?

联系尧图顾问,获取一对一建站咨询

立即免费咨询 📞 400-888-8888
📞 ✉