使用Golang简单实现七牛图片处理API

之前一直在用qiniu的存储服务，生成图片的缩略图，模糊图，视频的webp，现在需要把存储移到s3上，那么这些图片，视频处理就要自己动手写了，本文梳理一下大致的思路。

分析需求

先看一下qiniu的接口是如何处理图片的，例如先截取视频第一秒的图片，再把图片缩略，最后存储到一个新的key，命令可以这么写 vframe/jpg/offset/1|imageMogr2/thumbnail/400x|saveas/xxx, 可以看到三个操作之间用 | 符号分割，类似unix 的 pipe 操作。

上面的操作算作一个cmd, 一次API请求可以同时处理多个cmd，cmd之间用分号分割, 处理完毕后，在回调中把处理结果返回，例如

{

    "id": "xxxxx", 

    "pipeline": "xxx", 

    "code": 0, 

    "desc": "The fop was completed successfully", 

    "reqid": "xTsAAFnxUbR5J10U", 

    "inputBucket": "xxx", 

    "inputKey": "xxxxx", 

    "items": [

        {

            "cmd": "vframe/jpg/offset/1|imageMogr2/thumbnail/400x|saveas/ZmFtZS1wcml2YXRlOm1vbWVudC9jb3Zlci9zbmFwL3ZpZGVvL2M5YzdjZjQ5LTU3NGQtNGZjMS1iZDFkLTRkYjZkMzlkZWY1Ni8wLzA=", 

            "code": 0, 

            "desc": "The fop was completed successfully", 

            "hash": "FhdN6V8EI4vW4XJGALSfxutvMEIv", 

            "key": "xx", 

            "returnOld": 0

        }, 

        {

            "cmd": "vframe/jpg/offset/1|imageMogr2/thumbnail/400x|imageMogr2/blur/45x8|saveas/ZmFtZS1wcml2YXRlOm1vbWVudC9jb3Zlci9zbmFwL3ZpZGVvL2M5YzdjZjQ5LTU3NGQtNGZjMS1iZDFkLTRkYjZkMzlkZWY1Ni8wLzBfYmx1cg==", 

            "code": 0, 

            "desc": "The fop was completed successfully", 

            "hash": "FgNiRzrCsa7TZx1xVSb_4d5TiaK3", 

            "key": "xxx", 

            "returnOld": 0

        }

    ]

}

分解需求

这个程序大致需要这么几个部分:

一个http接口，接受任务，接受后把任务扔到队列，返回一个job ID。 worker异步处理任务，worker的个数 和 每个worker 并行的处理的个数 能够配置，worker有重试机制。
从 job payload 中解析出需要做的任务，解析出每个cmd, 最好能并行执行每一个 cmd, 记录每一个cmd的结果

每个cmd中有多个 operation, 并且用 pipe 连接，前一个operaion的输出是后一个operation的输入

可以把 1 和 2，3 分开来看，1 比较独立，之前写过一个worker的模型，参考的是这篇文章 Handling 1 Million Requests per Minute with Go，比较详细，是用 go channel 作为queue的，我加了一个 beanstalk 作为 queue的 providor。还有一点改进是，文章中只提供了worker数量的设置，我再加了一个参数，设定每个worker可以并行执行的协程数。所以下面主要讲讲3， 2的解决办法

Pipe

可以参考这个库 pipe, 用法如下：

p := pipe.Line(

    pipe.ReadFile("test.png"),

    resize(300, 300),

    blur(0.5),

)

output, err := pipe.CombinedOutput(p)

if err != nil {

    fmt.Printf("%v\n", err)

}
buf := bytes.NewBuffer(output)

img, _ := imaging.Decode(buf)
imaging.Save(img, "test_a.png")

还是比较方便的，建一个 Cmd struct, 利用正则匹配一下每个 Operation 的参数，放入一个 []Op slice, 最后执行，struct和方法如下：

type Cmd struct {

    cmd    string

    saveas string

    ops    []Op

    err    error

}

type Op interface {

    getPipe() pipe.Pipe

}
type ResizeOp struct {

    width, height int

}
func (c ResizeOp) getPipe() pipe.Pipe {

    return resize(c.width, c.height)

}
//使用方法

cmdStr := `file/test.png|thumbnail/x300|blur/20x8`

cmd := Cmd{cmdStr, "test_b.png", nil, nil}
cmd.parse()

cmd.doOps()

sync.WaitGroup

单个cmd处理解决后，就是多个cmd的并行问题，没啥好想的，直接用 sync.WaitGroup 就可以完美解决。一步一步来，我们先看看这个struct的使用方法：

func main() {

    cmds := []string{}

    for i := 0; i < 10000; i++ {

        cmds = append(cmds, fmt.Sprintf("cmd-%d", i))

    }

    results := handleCmds(cmds)
    fmt.Println(len(results)) // 10000

}
func doCmd(cmd string) string {

    return fmt.Sprintf("cmd=%s", cmd)

}
func handleCmds(cmds []string) (results []string) {

    fmt.Println(len(cmds)) //10000

    var count uint64
    group := sync.WaitGroup{}

    lock := sync.Mutex{}

    for _, item := range cmds {

        // 计数加一

        group.Add(1)

        go func(cmd string) {

            result := doCmd(cmd)

            atomic.AddUint64(&count, 1)
            lock.Lock()

            results = append(results, result)

            lock.Unlock()

            

            // 计数减一

            group.Done()

        }(item)

    }
    // 阻塞

    group.Wait()
    fmt.Printf("count=%d \n", count) // 10000

    return

}

group本质大概是一个计数器，计数 > 0时, group.Wait() 会阻塞，直到 计数 == 0. 这里还有一点要注意，就是 results = append(results, result) 的操作是线程不安全的，清楚这里 results 是共享的，需要加锁来保证同步，否则最后 len(results) 不为 10000。

我们建一个BenchCmd， 来存放 cmds. 如下：

type BenchCmd struct {

    cmds      []Cmd

    waitGroup sync.WaitGroup

    errs      []error

    lock      sync.Mutex

}

func (b *BenchCmd) doCmds() {

    for _, item := range b.cmds {

        b.waitGroup.Add(1)
        go func(cmd Cmd) {

            cmd.parse()

            err := cmd.doOps()
            b.lock.Lock()

            b.errs = append(b.errs, err)

            b.lock.Unlock()
            b.waitGroup.Done()

        }(item)

    }
    b.waitGroup.Wait()

}

最后的调用就像这样：

var cmds []Cmd

cmd_a := Cmd{`file/test.png|thumbnail/x300|blur/20x8`, "test_a.png", nil, nil}

cmd_b := Cmd{`file/test.png|thumbnail/500x1000|blur/20x108`, "test_b.png", nil, nil}

cmd_c := Cmd{`file/test.png|thumbnail/300x300`, "test_c.png", nil, nil}

cmds = append(cmds, cmd_a)

cmds = append(cmds, cmd_b)

cmds = append(cmds, cmd_c)
bench := BenchCmd{

    cmds:      cmds,

    waitGroup: sync.WaitGroup{},

    lock:      sync.Mutex{},

}
bench.doCmds()
fmt.Println(bench.errs)

这只是一个初级的实验，思考还不够全面，并且只是模仿API，qiniu应该不是这么做的，耦合更低，可能各个Cmd都有各自处理的集群，那pipe这个库就暂时没法解决了，目前的局限在于 每个Cmd必须都在一个进程中。