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。

相关文章推荐

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...

Nutch1.7学习笔记5:Fetcher源代码分析

Fetcher分析 Fetcher是以生产者/消费者模式来处理网页抓取的。 QueueFeeder作为生产者,从前面Generator中产生的读取出来,然后加入到FetchItemQueu...

Nutch1.7学习笔记6:ParseSegment源代码分析

ParseSegment分析 ParseSegment类的结构相对要简单一些,与Injector等在内部类中实现map和reduce的方式不同,它直接在类中实现。 核心方法解析: ...

Nutch1.7学习笔记3:Injector源代码分析

Injector的主要功能 Injector的主要功能是将urls目录下的文本文件中的URL地址注入到CrawlDb中。 Injector类基本构成 (1) 三个主成员变量 n...

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...

Nutch 1.3 学习笔记 7 CrawlDb - updatedb

Nutch 1.3 学习笔记 7 CrawlDb - updatedb ------------------------------ 这里主要看一下CrawlDb中的updatedb,它主要是用来...

Nutch 1.3 学习笔记 7 CrawlDb - updatedb

分类: Nutch2011-08-28 23:33 418人阅读 评论(3) 收藏 举报 Nutch 1.3 学习笔记 7 CrawlDb - updatedb -------------...

Nutch1.7学习笔记2:基本工作流程分析

Nutch1.7学习笔记2:基本工作流程分析 作者:雨水,时间:2013-11-13博客地址:http://blog.csdn.net/gobitan 说明:本文的工作流程分析基于1.x的最新版Nut...

Nutch1.7学习笔记1:基本环境搭建及使用

说明:Nutch有两个主版本1.x和2.x,它们的主要区别是2.x引入了Gora作为存储抽象层,从而支持各种NoSQL数据库,如HBase,Cassandra等。本文是以1.x的最新版Nutch1.7...

Nutch1.7学习笔记7:Robots协议处理流程

说明:通常来说,网络爬虫应该遵循网站所描述的robots协议。因此,任何网络爬虫都有关于robots协议部分的处理。 分析入口:Robot相关处理的入口位于Fetcher.java的L676,如...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:深度学习:神经网络中的前向传播和反向传播算法推导
举报原因:
原因补充:

(最多只允许输入30个字)