Nutch1.7学习笔记8:CrawlDb源代码分析

原创 2013年12月03日 20:00:50

Nutch1.7学习笔记8:CrawlDb源代码分析

作者:雨水,时间:2013-12-3 博客地址:http://blog.csdn.net/gobitan

CrawlDb分析

功能:将解析出来的Segment中的URL更新至CrawlDb。

update方法

update方法的参数包含四个参数:

(1) CrawlDb数据库的路径,如crawl/crawldb;

(2) Segment的路径,如crawl/segments/20131130101034;

(3) 是否规范化的布尔值;

(4) 是否进行过滤的布尔值。

update job的配置:

(1)   配置输入路径: FileInputFormat.addInputPath(job,current);

(2) 配置输入文件格式:job.setInputFormat(SequenceFileInputFormat.class);

(3) 配置Mapper类:job.setMapperClass(CrawlDbFilter.class);

(4) 配置Reduce类:job.setReducerClass(CrawlDbReducer.class);

(5) 配置输出路径:FileOutputFormat.setOutputPath(job,newCrawlDb);

(6) 配置输出文件格式:job.setOutputFormat(MapFileOutputFormat.class);

(7) 配置输出key的类型:job.setOutputKeyClass(Text.class);

(8) 配置输出value的类型:job.setOutputValueClass(CrawlDatum.class);

其中,输入路径为crawl/crawldb/current,输出路径类似crawl/crawldb/123121774,后面的数字为随机数。

然后,将类似crawl/segments/20131130223950/crawl_fetch和crawl/segments/20131130223950/crawl_parse也追加到job的输入路径,它们之间用逗号分隔。

最后,提交并运行job。

从上面的分析可以看出,除了CrawlDbFilter和CrawlDbReducer之外,其他的业务逻辑处理均采用hadoop默认的。

因此,如果要彻底弄明白其执行过程,必须理解hadoop的mapreduce框架细节,这个后面放在单独的笔记里讨论。

这里分析一下Map类CrawlDbFilter和Reduce类CrawlDbReducer,看看它们做了什么。

CrawlDbFilter的map方法

(1)   对URL进行normalize规范化;

(2)   对URL进行filter过滤;

也就说CrawlDbFilter就是对URL进行规范化和过滤,其功能较为简单。

CrawlDbReducer的reduce方法

针对不同的URL状态进行处理:主要的状态包括,DB状态,Fetch状态,Linked状态等。还有关于页面分数相关的过滤,页面分数算法采用的ScoringFilters插件库,默认包含org.apache.nutch.scoring.opic.OPICScoringFilter。具体处理细节待进一步分析。

版权声明:本文为博主原创文章,未经博主允许不得转载。

Nutch1.7学习笔记5:Fetcher源代码分析

Nutch1.7学习笔记5:Fetcher源代码分析 作者:雨水,时间:2013-11-15 博客地址:http://blog.csdn.net/gobitan Fetcher分析 Fetcher是以...
  • gobitan
  • gobitan
  • 2013年11月30日 09:40
  • 3203

Nutch1.7学习笔记3:Injector源代码分析

Nutch1.7学习笔记3:Injector源代码分析 作者:雨水,时间:2013-11-13 博客地址:http://blog.csdn.net/gobitan Injector的主要功能 Inje...
  • gobitan
  • gobitan
  • 2013年11月30日 09:28
  • 3139

Nutch1.7学习笔记4:Generator源代码分析

Nutch1.7学习笔记4:Generator源代码分析 作者:雨水,时间:2013-11-14博客地址:http://blog.csdn.net/gobitan Generator分析 Genera...
  • gobitan
  • gobitan
  • 2013年11月30日 09:38
  • 3215

Nutch1.7学习笔记6:ParseSegment源代码分析

Nutch1.7学习笔记6:ParseSegment源代码分析 作者:雨水,时间:2013-11-17 博客地址:http://blog.csdn.net/gobitan ParseSegment分析...
  • gobitan
  • gobitan
  • 2013年11月30日 10:38
  • 3676

nutch源码crawldb类源代码分析

nutch源码crawldb类源代码分析package org.apache.nutch.crawl;import java.io.*; import java.text.SimpleDateForm...
  • wcandy001
  • wcandy001
  • 2015年11月05日 21:39
  • 486

《JDK 8学习笔记》读书笔记(1)

JDK8已经51个版本了,是应该写点什么来说说Java的新变化了,人老啦,有点跟不上时代啦。...
  • mouyong
  • mouyong
  • 2015年08月13日 15:43
  • 3080

《Java JDK8学习笔记》读书笔记(3)

第3章 基础语法,虽然很简单,但其中有些知识是平时没太留意到的,有些是JDK8加入的新特性,蛮有用的。已完成排版。...
  • mouyong
  • mouyong
  • 2016年02月25日 12:27
  • 2752

jdk8学习笔记

JDK8  全部特性: 1.允许在接口中有默认方法实现 2.Lambda表达式 3.函数式接口 4.方法和构造函数引用 5.Lambda的范围 6.内置函数式接口 7.Stream...
  • feng20092009
  • feng20092009
  • 2017年03月21日 14:52
  • 384

读《Java JDK 8 学习笔记》

1.Java 编程语言刚开始 Oak 橡树 办公室外 已被注册 边喝咖啡边讨论名称  2.动态加载类别文档、字符串池(String Pool)等特性为节省内存而设计 3....
  • u012677972
  • u012677972
  • 2017年03月20日 21:55
  • 382

nutch 1.7 修改需要保存建立索引的数据

默认nutch 1.7 与solr建的索引 字段 都在
  • leave00608
  • leave00608
  • 2014年06月03日 14:34
  • 1097
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:Nutch1.7学习笔记8:CrawlDb源代码分析
举报原因:
原因补充:

(最多只允许输入30个字)