Nutch 源代码分析(一) Crawl 类

Nutch 源代码分析(1) Crawl 类
　　（以下分析针对的是 nutch 1.4）

　　Crawl 类是运行抓取程序的入口，代码不多，但关联的其他类不少。
　　抓取的流程是：

　　1. 将初始的 URL 地址注入到 crawlDb

　　2. 从crawldb中生成一个url的子集用于抓取
　　3. 抓取网页
　　4. 分析网页
　　5. 更新 crawlDb ，增加新抓取的 url

　　6. 循环执行 2-5 步，直到达到指定的抓取深度

　　之后，还需要进行链接反转，将索引导入到 solr 等。

　　Crawl 类的声明如下：

public class Crawl extends Configured implements Tool

　　Configured 和 Tool 是 hadoop 中的概念
　　Configured 是 hadoop 中用来提供配置信息的，在 ToolRunner.run 方法中，会将创建好的 Configuration 对象通过 Configured.setConf 方法注入到 Crawl 中。
　　Tool 是 hadoop 中用来处理命令行参数并修改 Map-Reduce 任务的参数，它需要在 run 方法中处理这些命令行参数。

　　因为 Crawl 实现了 Tool 接口，我们可以通过命令行启动数据抓取的 Map-Reduce 任务。
　　启动 Crawl 的 main 方法如下：

  public static void main(String args[]) throws Exception {    // 创建 Configuration  对象    Configuration conf = NutchConfiguration.create();    // 执行任务    int res = ToolRunner.run(conf, new Crawl(), args);    // 退出程序    System.exit(res);  }

　　NutchConfiguration.create 会加载 nutch-default.xml 和 nutch-site.xml 中的配置信息生成 Configuration  对象。
　　ToolRunner.run 方法会将创建好的 Configuration 对象通过 Configured.setConf 方法注入到 Crawl 中（Crawl 继承了Configured），并将参数的处理委托给 Tool.run 方法（Crawl 实现了 Tool 接口，因此需要提供 run 方法的实现）。
　　接下来我们重点分析一下 Crawl 类的 run 方法。

　　首先是参数的设置：

    // 默认参数    Path rootUrlDir = null;    Path dir = new Path("crawl-" + getDate());    int threads = getConf().getInt("fetcher.threads.fetch", 10);    int depth = 5;    long topN = Long.MAX_VALUE;    String solrUrl = null;

　　这几个参数的含义如下：

　　rootUrlDir : 要抓取的起始 url 所在的目录
　　dir : 默认情况下，抓取时生成的文件的目录
　　threads : 抓取数据的线程数
　　depth : 通过外链抓取网页的深度，从起始 url 算起
　　topN : 每轮抓取获得的新的 url 中，只对分值最高的 topN 个 url 再次抓取
　　solrUrl : solr 的地址。用于调用 solr 的 api 建立用于搜索的索引。


　　这些参数是可以根据命令行的输入修改的：

    for (int i = 0; i < args.length; i++) {      if ("-dir".equals(args[i])) {        dir = new Path(args[i+1]);        i++;      } else if ("-threads".equals(args[i])) {        threads = Integer.parseInt(args[i+1]);        i++;      } else if ("-depth".equals(args[i])) {        depth = Integer.parseInt(args[i+1]);        i++;      } else if ("-topN".equals(args[i])) {          topN = Integer.parseInt(args[i+1]);          i++;      } else if ("-solr".equals(args[i])) {        solrUrl = StringUtils.lowerCase(args[i + 1]);        i++;      } else if (args[i] != null) {        rootUrlDir = new Path(args[i]);      }    }

　　然后需要创建抓取程序将要用到的对象：

    Path tmpDir = job.getLocalPath("crawl"+Path.SEPARATOR+getDate());    Injector injector = new Injector(getConf());    Generator generator = new Generator(getConf());    Fetcher fetcher = new Fetcher(getConf());    ParseSegment parseSegment = new ParseSegment(getConf());    CrawlDb crawlDbTool = new CrawlDb(getConf());    LinkDb linkDbTool = new LinkDb(getConf());

　　这里简要说明一下这些对象的作用：
　　injector : 将初始的 URL 地址到 crawlDb
　　generator : 生成要抓取的 URL
　　fetcher : 抓取网页
　　parseSegment : 分析网页
　　crawlDbTool : CrawlDb 类的实例，存放将要抓取的 URL
　　linkDbTool : 用于存放链接之间的引用关系，便于计算权重


　　完成以上的准备工作之后，就开始执行主要的处理逻辑：

    // 初始化 crawlDb    // 将初始的 URL 地址到 crawlDb     injector.inject(crawlDb, rootUrlDir);    int i;    // 循环执行，直到达到指定的抓取深度    for (i = 0; i < depth; i++) {      // 生成要抓取的 URL       Path[] segs = generator.generate(crawlDb, segments, -1, topN, System.currentTimeMillis());      // 没有需要抓取的 URL 了，提前中止抓取过程      if (segs == null) {        LOG.info("Stopping at depth=" + i + " - no more URLs to fetch.");        break;      }      fetcher.fetch(segs[0], threads);  // 抓取网页      if (!Fetcher.isParsing(job)) {        parseSegment.parse(segs[0]);    // 分析网页      }      crawlDbTool.update(crawlDb, segs, true, true); // 更新 crawldb，增加需要抓取的 URL    }

　　前面通过抓取和分析网页得到的链接格式为 源链接 => 目标链接，
　　需要通过反转，得到目标链接对应的源链接，以便于计算目标链接的权重等：

　　linkDbTool.invert(linkDb, segments, true, true, false);

　　最后，如果指定了 solrUrl，需要将 nutch 索引导入到 solr 中

      // 将索引导入到 solr      if (solrUrl != null) {        // 获取创建好的 nutch 索引的文件索引        FileStatus[] fstats = fs.listStatus(segments, HadoopFSUtil.getPassDirectoriesFilter(fs));        // 建立 Solr 索引        SolrIndexer indexer = new SolrIndexer(getConf());        indexer.indexSolr(solrUrl, crawlDb, linkDb,  Arrays.asList(HadoopFSUtil.getPaths(fstats)));        // 去重        SolrDeleteDuplicates dedup = new SolrDeleteDuplicates();        dedup.setConf(getConf());        dedup.dedup(solrUrl);      }

　　以上只是对源代码进行字面上的分析，更深入的分析可以参考以下文章：
　　http://blog.csdn.net/kauu/article/details/1823830
　　http://www.diybl.com/course/3_program/java/javajs/20100719/459450.html

查看更多 下一篇