关闭

Nutch1.7学习笔记8:CrawlDb源代码分析

3013人阅读 评论(4) 收藏 举报
分类:

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。

0
0

查看评论
* 以上用户言论只代表其个人观点,不代表CSDN网站的观点或立场
    个人资料
    • 访问:983254次
    • 积分:9155
    • 等级:
    • 排名:第2007名
    • 原创:183篇
    • 转载:6篇
    • 译文:0篇
    • 评论:305条
    最新评论