文章精选推荐
1 JetBrains Ai assistant 编程工具让你的工作效率翻倍
2 Extra Icons：JetBrains IDE的图标增强神器
3 IDEA插件推荐-SequenceDiagram，自动生成时序图
4 BashSupport Pro 这个ides插件主要是用来干嘛的 ？
5 IDEA必装的插件：Spring Boot Helper的使用与功能特点
6 Ai assistant ,又是一个写代码神器
7 Cursor 设备ID修改器，你的Cursor又可以继续试用了
文章正文
在 Go 语言中，限制用户每分钟最多请求 1000 次的常见做法是使用 限流算法（Rate Limiting）。有多种算法可以实现这一目标，其中最常见的包括 令牌桶算法 (Token Bucket)、漏桶算法 (Leaky Bucket) 和 计数器算法 (Counter)。每种算法有其特点和适用场景，下面将逐个介绍，并附上相应的 Go 语言实现。
1. 令牌桶算法 (Token Bucket)
令牌桶算法是常见的限流算法，适用于需要平滑流量控制的场景。令牌桶维护一个存储令牌的桶，每个请求需要消耗一个令牌。如果桶内有足够的令牌，请求可以继续；如果没有令牌，则请求被拒绝。令牌按固定速率生成，当桶满时，额外的令牌会丢弃。
令牌桶算法的实现
package main
import (
"fmt"
"sync"
"time"
)
type TokenBucket struct {
rate int // 生成令牌的速率，单位是令牌/秒
capacity int // 桶的容量
tokens int // 当前令牌数量
lastToken time.Time // 上次生成令牌的时间
mutex sync.Mutex // 用于并发控制
}
func NewTokenBucket(rate, capacity int) *TokenBucket {
return &TokenBucket{
rate: rate,
capacity: capacity,
tokens: capacity, // 初始时，桶里有满的令牌
}
}
func (tb *TokenBucket) refill() {
// 计算过去时间段内生成的令牌数
now := time.Now()
elapsed := now.Sub(tb.lastToken)
tb.lastToken = now
// 按速率生成令牌
newTokens := int(elapsed.Seconds()) * tb.rate
if newTokens > 0 {
// 桶中令牌数增加
tb.tokens += newTokens
if tb.tokens > tb.capacity {
// 超过桶容量，令牌数只能是桶的最大容量
tb.tokens = tb.capacity
}
}
}
func (tb *TokenBucket) Allow() bool {
tb.mutex.Lock()
defer tb.mutex.Unlock()
// 补充令牌
tb.refill()
if tb.tokens > 0 {
// 有令牌可以消耗
tb.tokens--
return true
}
// 没有令牌可用，限制请求
return false
}
func main() {
// 创建令牌桶，令牌生成速率为每秒 1000 个，容量为 1000 个令牌
tb := NewTokenBucket(1000, 1000)
// 模拟用户发起请求
for i := 0; i < 10; i++ {
if tb.Allow() {
fmt.Println("Request", i+1, "allowed")
} else {
fmt.Println("Request", i+1, "rejected")
}
time.Sleep(100 * time.Millisecond) // 模拟请求间隔
}
}
说明：
rate：每秒生成的令牌数。capacity：桶的最大容量。tokens：当前桶中可用的令牌数。- 每次请求时，
Allow()方法会检查桶中是否有令牌，如果有，则消耗一个令牌并允许请求；如果没有令牌，则拒绝请求。
2. 漏桶算法 (Leaky Bucket)
漏桶算法是另一种常用的限流算法，适用于流量平滑控制。在漏桶算法中，桶里有水（请求），水按固定速率流出。当请求到来时，如果桶满了，新的请求会被丢弃；如果桶未满，新的请求会被加入桶中，并在固定速率下流出。
漏桶算法的实现
package main
import (
"fmt"
"sync"
"time"
)
type LeakyBucket struct {
rate int // 水流出速率，单位是请求/秒
capacity int // 桶的容量
water int // 当前桶中水的数量
lastDrain time.Time // 上次排水时间
mutex sync.Mutex // 用于并发控制
}
func NewLeakyBucket(rate, capacity int) *LeakyBucket {
return &LeakyBucket{
rate: rate,
capacity: capacity,
water: 0, // 初始时，桶里没有水
}
}
func (lb *LeakyBucket) drain() {
// 计算过去时间段内排出的请求数
now := time.Now()
elapsed := now.Sub(lb.lastDrain)
lb.lastDrain = now
// 按排出速率流出请求
drained := int(elapsed.Seconds()) * lb.rate
if drained > 0 {
lb.water -= drained
if lb.water < 0 {
lb.water = 0
}
}
}
func (lb *LeakyBucket) Allow() bool {
lb.mutex.Lock()
defer lb.mutex.Unlock()
// 排水
lb.drain()
if lb.water < lb.capacity {
// 桶未满，允许请求
lb.water++
return true
}
// 桶已满，拒绝请求
return false
}
func main() {
// 创建漏桶，排水速率为每秒 1000 个，桶的容量为 1000 个
lb := NewLeakyBucket(1000, 1000)
// 模拟用户发起请求
for i := 0; i < 10; i++ {
if lb.Allow() {
fmt.Println("Request", i+1, "allowed")
} else {
fmt.Println("Request", i+1, "rejected")
}
time.Sleep(100 * time.Millisecond) // 模拟请求间隔
}
}
说明：
rate：请求的排出速率。capacity：桶的最大容量。water：当前桶中水（请求）的数量。drain()：排水操作，控制请求的流出速率。
3. 计数器算法 (Fixed Window Counter)
计数器算法是最简单的一种限流算法。在每个时间窗口内，记录请求的数量。当请求数达到限制时，就会拒绝进一步的请求。它适用于简单的限流场景，但对于高并发时可能会出现窗口突发的情况。
计数器算法的实现
package main
import (
"fmt"
"sync"
"time"
)
type Counter struct {
limit int // 请求限制次数
windowSize time.Duration // 时间窗口大小
mu sync.Mutex // 用于并发控制
requests int // 当前请求计数
windowStart time.Time // 当前时间窗口开始时间
}
func NewCounter(limit int, windowSize time.Duration) *Counter {
return &Counter{
limit: limit,
windowSize: windowSize,
requests: 0,
windowStart: time.Now(),
}
}
func (c *Counter) Allow() bool {
c.mu.Lock()
defer c.mu.Unlock()
// 判断是否在当前时间窗口内
now := time.Now()
if now.Sub(c.windowStart) > c.windowSize {
// 如果超过了窗口时间，则重置请求计数器和窗口开始时间
c.windowStart = now
c.requests = 0
}
if c.requests < c.limit {
// 如果请求数未达到限制，允许请求
c.requests++
return true
}
// 否则，拒绝请求
return false
}
func main() {
// 创建计数器，限制每分钟 1000 次请求
counter := NewCounter(1000, time.Minute)
// 模拟用户发起请求
for i := 0; i < 10; i++ {
if counter.Allow() {
fmt.Println("Request", i+1, "allowed")
} else {
fmt.Println("Request", i+1, "rejected")
}
time.Sleep(100 * time.Millisecond) // 模拟请求间隔
}
}
说明：
limit：时间窗口内允许的最大请求次数。windowSize：时间窗口的大小（比如 1 分钟）。requests：当前时间窗口内已处理的请求数量。Allow()：每次请求时，检查当前窗口内请求数是否达到限制。
4. 总结
- 令牌桶算法（Token Bucket）适用于平滑流量控制，允许突发请求。
- 漏桶算法（Leaky Bucket）适用于平滑流量，适合流量控制比较严格的场景。
- 计数器算法（Counter）是最简单的一种限流方式，适合简单的限流需求，但对突发流量处理较差。根据不同的需求场景，选择合适的算法进行实现。