【LeetCode-多线程】1242. 多线程网页爬虫

最新推荐文章于 2024-04-04 09:52:24 发布

白露塞纳

最新推荐文章于 2024-04-04 09:52:24 发布

阅读量963

点赞数 2

分类专栏： LeetCode-多线程文章标签：爬虫 leetcode java

本文链接：https://blog.csdn.net/HeavenDan/article/details/120247138

版权

一、题目

给你一个初始地址 startUrl 和一个 HTML 解析器接口 HtmlParser，请你实现一个 多线程的网页爬虫，用于获取与 startUrl 有 相同主机名 的所有链接。

以任意顺序返回爬虫获取的路径。

爬虫应该遵循：

从 startUrl 开始
调用 HtmlParser.getUrls(url) 从指定网页路径获得的所有路径。
不要抓取相同的链接两次。
仅浏览与 startUrl 相同主机名 的链接。

如上图所示，主机名是 example.org 。简单起见，你可以假设所有链接都采用 http 协议，并且没有指定 端口号。举个例子，链接 http://leetcode.com/problems 和链接 http://leetcode.com/contest 属于同一个 主机名，而 http://example.org/test 与 http://example.com/abc 并不属于同一个 主机名。

HtmlParser 的接口定义如下：

interface HtmlParser {
   
  // Return a list of all urls from a webpage of given url.
  // This is a blocking call, that means it will do HTTP request and return when this request is finished.
  public List<String> getUrls(String url);
}

注意一点，getUrls(String url) 模拟执行一个HTTP的请求。你可以将它当做一个阻塞式的方法，直到请求结束。 getUrls(String url) 保证会在 15ms 内返回所有的路径。单线程的方案会超过时间限制，你能用多线程方案做的更好吗？

对于问题所需的功能，下面提供了两个例子。为了方便自定义测试，你可以声明三个变量 urls，edges 和 startUrl。但要注意你只能在代码中访问 startUrl，并不能直接访问 urls 和 edges。

拓展问题：

假设我们要要抓取 10000 个节点和 10 亿个路径。并且在每个节点部署相同的的软件。软件可以发现所有的节点。我们必须尽可能减少机器之间的通讯，并确保每个节点负载均衡。你将如何设计这个网页爬虫？
如果有一个节点发生故障不工作该怎么办？
如何确认爬虫任务已经完成？

示例 1：

example-1

输入：
urls = [
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.google.com",
  "http://news.yahoo.com/us"
]
edges = [[2,0],[2,1],[3,2],[3,1],[0,4]]
startUrl = "http://news.yahoo.com/news/topics/"
输出：[
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.yahoo.com/us"
]

示例 2：

example-2

输入：
urls = [
  "http://news.yahoo.com",
  "http://news.yahoo.com/news",
  "http://news.yahoo.com/news/topics/",
  "http://news.google.com"
]
edges = [[0,2],[2,1],[3,2],[3,1],[3,0]]
startUrl = "http://news.google.com"
输出：["http://news.google.com"]
解释：startUrl 链接与其他页面不共享一个主机名。

提示：

1 <= urls.length <= 1000
1 <= urls[i].length <= 300
startUrl 是 urls 中的一个。
主机名的长度必须为 1 到 63 个字符（包括点 . 在内），只能包含从 “a” 到 “z” 的 ASCII 字母和 “0” 到 “9” 的数字，以及中划线 “-”。
主机名开头和结尾不能是中划线 “-”。
参考资料：https://en.wikipedia.org/wiki/Hostname#Restrictions_on_valid_hostnames
你可以假设路径都是不重复的。

二、解决

1、线程池

思路： 略。
代码：

/**
 * // This is the HtmlParser's API interface.
 * // You should not implement it, or speculate about its implementation
 * interface HtmlParser {
 *     public List<String> getUrls(String url) {}
 * }
 */
class Solution {
   
    String host;
    HtmlParser htmlParser;
    AtomicInteger cnt = new AtomicInteger();
    // 1. 因为部分测试数据会构造成有向有环图, 导致爬虫死循环, 所以必须采用哈希集合去重
    Set<String> set = new HashSet<>();
    ExecutorService es = Executors.newFixedThreadPool(30);

    public List<String> crawl(String startUrl, HtmlParser htmlParser) {
   
        host = getHost(startUrl);
        this.htmlParser = htmlParser;
        cnt.incrementAndGet();
        set.add(startUrl);
        es.execute(() -> helper(startUrl));
        while (cnt.get() > 0) {
   
            // 2. 如果调用yield方法试着放弃使用cpu, 测试结果会在800ms以上, 所以此处改用sleep
            // Thread.yield();
            try {
   
                Thread.sleep(1);
            } catch (InterruptedException e) {
   
            }
        }
        // 3. 必须主动关闭线程池, 否则超时
        es.shutdown();
        return new ArrayList<>(set);
    }

    private void helper(String startUrl) {
   
        for (String url : htmlParser.getUrls(startUrl)) {
   
            if (!host.equals(getHost(url))) continue;
            synchronized (set) {
   
                if (!set.add(url)) continue;
            }
            cnt.incrementAndGet();
            es.execute(() -> helper(url));
        }
        cnt.decrementAndGet();
    }

    private String getHost(