【无标题】

2021SC@SDUSC

nutch源码分析—updatedb
“bin/nutch updatedb crawl/crawldb crawl/segments/2*”这条命令最终会执行org.apache.nutch.crawl.CrawlDb的main函数。

public static void main(String[] args) throws Exception {
int res = ToolRunner.run(NutchConfiguration.create(), new CrawlDb(), args);
System.exit(res);
}

ToolRunner的run函数最终调用CrawlDb的run函数。

CrawlDb::run

public int run(String[] args) throws Exception {

...

update(new Path(args[0]), dirs.toArray(new Path[dirs.size()]), normalize,
    filter, additionsAllowed, force);

return 0;

}

public void update(Path crawlDb, Path[] segments, boolean normalize,
boolean filter, boolean additionsAllowed, boolean force)
throws IOException {

...

JobConf job = CrawlDb.createJob(getConf(), crawlDb);

for (int i = 0; i < segments.length; i++) {
  Path fetch = new Path(segments[i], CrawlDatum.FETCH_DIR_NAME);
  Path parse = new Path(segments[i], CrawlDatum.PARSE_DIR_NAME);
  FileInputFormat.addInputPath(job, fetch);
  FileInputFormat.addInputPath(job, parse);
}

JobClient.runJob(job);
CrawlDb.install(job, crawlDb);

}

public static JobConf createJob(Configuration config, Path crawlDb)
throws IOException {
Path newCrawlDb = new Path(crawlDb, Integer.toString(new Random()
.nextInt(Integer.MAX_VALUE)));

JobConf job = new NutchJob(config);
job.setJobName("crawldb " + crawlDb);

Path current = new Path(crawlDb, CURRENT_NAME);
if (FileSystem.get(job).exists(current)) {
  FileInputFormat.addInputPath(job, current);
}
job.setInputFormat(SequenceFileInputFormat.class);

job.setMapperClass(CrawlDbFilter.class);
job.setReducerClass(CrawlDbReducer.class);

FileOutputFormat.setOutputPath(job, newCrawlDb);
job.setOutputFormat(MapFileOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(CrawlDatum.class);

return job;

}

update函数会创建hadoop的Job,设置map函数为CrawlDbFilter中的map函数,reduce函数为CrawlDbReducer中的reduce函数,输入为crawl/crawldb下的current,crawl/segments/2*/下的crawl_fetch和crawl_parse,输出为crawl/crawldb下的由随机整数名构造的文件夹。最后调用CrawlDb的install更新crawl/crawldb下的文件,将由随机整数为名称的文件夹更名为current,将原来的current更名为old,并删除原来的old文件夹。

下面来看CrawlDbFilter的map函数。

CrawlDbFilter::map

public void map(Text key, CrawlDatum value,
OutputCollector<Text, CrawlDatum> output, Reporter reporter)
throws IOException {

String url = key.toString();

url = normalizers.normalize(url, scope);
url = filters.filter(url);

if (url != null) {
  newKey.set(url);
  output.collect(newKey, value);
}

}

map函数很简单,一是通过normalize函数对url的格式标准化,二是通过filter函数对url进行过滤。

下面来看reduce函数,由于reduce函数较长,下面分为两部分来看。

CrawlDbReducer::reduce
第一部分

public void reduce(Text key, Iterator values,
OutputCollector<Text, CrawlDatum> output, Reporter reporter)
throws IOException {

CrawlDatum fetch = new CrawlDatum();
CrawlDatum old = new CrawlDatum();

boolean fetchSet = false;
boolean oldSet = false;
byte[] signature = null;
boolean multiple = false;
linked.clear();
org.apache.hadoop.io.MapWritable metaFromParse = null;

while (values.hasNext()) {
  CrawlDatum datum = values.next();
  if (!multiple && values.hasNext())
    multiple = true;
  if (CrawlDatum.hasDbStatus(datum)) {
    if (!oldSet) {
      if (multiple) {
        old.set(datum);
      } else {
        old = datum;
      }
      oldSet = true;
    } else {
      if (old.getFetchTime() < datum.getFetchTime())
        old.set(datum);
    }
    continue;
  }

  if (CrawlDatum.hasFetchStatus(datum)) {
    if (!fetchSet) {
      if (multiple) {
        fetch.set(datum);
      } else {
        fetch = datum;
      }
      fetchSet = true;
    } else {
      if (fetch.getFetchTime() < datum.getFetchTime())
        fetch.set(datum);
    }
    continue;
  }

  switch (datum.getStatus()) {
  case CrawlDatum.STATUS_LINKED:
    CrawlDatum link;
    if (multiple) {
      link = new CrawlDatum();
      link.set(datum);
    } else {
      link = datum;
    }
    linked.insert(link);
    break;
  case CrawlDatum.STATUS_SIGNATURE:
    signature = datum.getSignature();
    break;
  case CrawlDatum.STATUS_PARSE_META:
    metaFromParse = datum.getMetaData();
    break;
  default:
  }
}

int numLinks = linked.size();
List<CrawlDatum> linkList = new ArrayList<CrawlDatum>(numLinks);
for (int i = numLinks - 1; i >= 0; i--) {
  linkList.add(linked.pop());
}

if (!oldSet && !additionsAllowed)
  return;

if (!fetchSet && linkList.size() > 0) {
  fetch = linkList.get(0);
  fetchSet = true;
}

if (!fetchSet) {
  if (oldSet) {
    output.collect(key, old);
  } else {
  }
  return;
}

...

}

reduce函数的第一部分的主要功能就是收集某个url对应的所有CrawlDatum信息,从中找到处于和DB相关的状态里最新的CrawlDatum,保存在old中,以及处于和FETCH相关的状态里最新的CrawlDatum,保存在fetch中,将所有状态为STATUS_LINKED的CrawlDatum保存在linked,用来做后面的分数修改。DB状态和FETCH状态的大致理解是和存入的文件夹有关,例如在crawl/crawldb里存入的状态大多是DB状态,在crawl/segments里存入的状态大多是FETCH状态,如果只有DB状态没有FETCH状态,则说明是第一次存入crawl/crawldb中,或者从上次更新到crawl/crawldb中还未抓取过,此时直接返回old就行了。

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值