Hva er vanlige Go concurrency patterns?

Question

Accepted Answer

Go's goroutines og kanaler muliggjør et sett med veletablerte **concurrency patterns** som løser vanlige problemer — distribusjon av arbeid, fanning out/in, pipelines og rate limiting. Å kjenne disse idiomatiske mønstrene lar deg bygge korrekte og effektive samtidige systemer.

## Worker pool — bounded concurrency

```go
func workerPool(jobs <-chan int, results chan<- int, numWorkers int) {
    var wg sync.WaitGroup
    for w := 0; w < numWorkers; w++ {     // a FIXED number of workers
        wg.Add(1)
        go func() {
            defer wg.Done()
            for job := range jobs {        // each worker pulls jobs until the channel closes
                results <- process(job)
            }
        }()
    }
    wg.Wait()
    close(results)
}
```

En **worker pool** kjører et fast antall goroutines som forbruker fra en delt jobs-kanal — grenser for samtidighet (f.eks. ikke åpne 10 000 databaseforbindelser; bruk 10 arbeidere). Dette er det viktigste mønsteret for å kontrollere ressursbruk.

## Fan-out / fan-in

```text
Fan-out: distribute work across MULTIPLE goroutines (parallelize)
Fan-in:  MERGE results from multiple goroutines back into one channel
```

```go
// fan-in: merge several channels into one
func merge(channels ...<-chan int) <-chan int {
    out := make(chan int)
    var wg sync.WaitGroup
    for _, ch := range channels {
        wg.Add(1)
        go func(c <-chan int) {
            defer wg.Done()
            for v := range c { out <- v }   // forward each channel's values to out
        }(ch)
    }
    go func() { wg.Wait(); close(out) }()    // close out when all sources are drained
    return out
}
```

## Pipeline — stages connected by channels

```go
// each stage is a goroutine: receives from an input channel, sends to an output channel
func generate(nums ...int) <-chan int {
    out := make(chan int)
    go func() { for _, n := range nums { out <- n }; close(out) }()
    return out
}
func square(in <-chan int) <-chan int {
    out := make(chan int)
    go func() { for n := range in { out <- n * n }; close(out) }()
    return out
}
// compose: square(generate(1,2,3)) → a streaming pipeline
for result := range square(generate(1, 2, 3)) { fmt.Println(result) }
```

En **pipeline** forbinder prosesseringsstadier via kanaler — data strømmer gjennom, hvert stadium transformerer det samtidig.

## Rate limiting

```go
limiter := time.Tick(200 * time.Millisecond)   // a tick every 200ms
for req := range requests {
    <-limiter                                    // wait for the next tick before proceeding
    go handle(req)                                // → at most 5 requests/second
}
```

## Cancellation with context (cross-cutting)

```go
select {
case result := <-work:
case <-ctx.Done():    return   // stop on cancellation — prevents leaks
}
```

## Hvorfor det er viktig

Disse concurrency patterns er det praktiske verktøysettet for å bygge virkelige samtidige Go-systemer, og gjør råe goroutines og kanaler til strukturerte, korrekte løsninger på gjentakende problemer.

**Worker pool** er spesielt viktig — det grenser samtidighet for å beskytte begrensede ressurser (databaseforbindelser, API-hastighetsgrenser, minne), og forhindrer den vanlige feilen med å spawne ubegrensede goroutines som uttømmer systemet. **Fan-out/fan-in** paralleliserer arbeid og fletter resultater; **pipelines** modellerer streaming datotransformasjoner rent; **rate limiting** kontrollerer gjennomstrømning.

Kombinert med **context-basert avbrytelse** (for å unngå goroutine-lekkasjer), er disse mønstrene hvordan produksjons-Go-tjenester håndterer samtidighet sikkert og effektivt.

Å forstå dem — og spesielt å vite om å grense samtidighet med worker pools i stedet for å starte ubegrensede goroutines — er et kjennetegn på seniorité i Go og et hyppig avansert intervjuemne, siden naiv samtidighet (ubegrensede goroutines, lekkasjer, races) er en vanlig årsak til produksjonsfeil.