上次我们分析了Inject的整个流程,其中说到了Inject的输出格式是MapSequenceFileOutputFormat,这个格式可以使用一个叫CrawlDbReader的工具来读取和分析。下面我们就来分析一下这个工具有哪些用。
1. CrawlDbReader工具的使用方法
在命令行中运行bin/nutch readdb后就可以看到其帮助,实际上这个shell方法调用的正是CrawlDbReader的main方法,这个工具有下面几种使用方法:* bin/nutch <crawldb> -stats -sort
这个方法是在终端中打印所有crawldb的统计信息,加上sort后,会输出所有host所对应的url的个数,一般格式如下- lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readdb db/crawldb/ -stats -sort
- CrawlDb statistics start: db/crawldb/
- Statistics for CrawlDb: db/crawldb/
- TOTAL urls: 5
- retry 0: 5
- min score: 0.045
- avg score: 0.09955
- max score: 1.136
- status 1 (db_unfetched): 4
- baike.baidu.com : 1
- hi.baidu.com : 2
- home.baidu.com : 1
- image.baidu.com : 1
- status 2 (db_fetched): 1
- www.baidu.com : 1
- CrawlDb statistics: done
* bin/nutch <crawldb> -dump <out_dir> [-format normal|csv]
这个方法主要是把CrawlDb中的数据转成一般的文本格式或者是csv格式,输出到out_dir目录中* bin/nutch <crawldb> -url <url>
这个方法主要是打印出特定url的信息* bin/nutch <crawldb> -topN nnn <out_dir> [<min>]
这个方法主要是输出前topN个分数大于min的url,输出到out_dir中,默认这个min为0.0,本地的输出如下- lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readdb db/crawldb/ -topN 3 out
- CrawlDb topN: starting (topN=3, min=0.0)
- CrawlDb db: db/crawldb/
- CrawlDb topN: collecting topN scores.
- CrawlDb topN: done
- lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ cat out/part-00000
- 1.1363636 http://www.baidu.com/
- 0.045454547 http://tieba.baidu.com/
- 0.045454547 http://baike.baidu.com/
2. 下面简单分析一下上面四个流程的源代码
* bin/nutch <crawldb> -stats -sort
这个命令是调用CrawlDbReader中的processStatJob(String CrawlDb,Configuration config,boolean sort)来解决掉的下面用一个MP任务对CrawlDb数据库进行统计,主要代码如下
- JobConf job = new NutchJob(config); // 生成一个Job的配置对象
- job.setJobName("stats " + crawlDb);
- job.setBoolean("db.reader.stats.sort", sort); // 配置是否要进行sort操作,这个标记会在CrawlDbStatMapper中用到
- // 下面是配置输入路径
- FileInputFormat.addInputPath(job, new Path(crawlDb, CrawlDb.CURRENT_NAME));
- job.setInputFormat(SequenceFileInputFormat.class); // 这里配置输入的文件格式,这里实际上是MapSequenceFileInputFormat,这不过这两个是通用的
- job.setMapperClass(CrawlDbStatMapper.class); // 这里配置Mapper方法
- job.setCombinerClass(CrawlDbStatCombiner.class); // 这里配置一个Combiner方法,这个方法主要是在Mapper端对数据进行聚合,起到了优化作用
- job.setReducerClass(CrawlDbStatReducer.class); // 这里配置了相应的Reduce方法
- FileOutputFormat.setOutputPath(job, tmpFolder); // 输出目录
- job.setOutputFormat(SequenceFileOutputFormat.class); // 输出的文件格式
- // 下面是输出的<key,value>的类型,这里为<Text,LongWritable> ,
- // NOTE:这里补充说明一下,所有通过OutputFormat的数据都要继承自Hadoop的序列化框架接口Writable,用于把这个对象
- // 序列化与反序列化,这里的Text这是继承自Writable接口的,所以你自定义的抽象类型要使用Hadoop的架构写出到文件中的话,
- // 一定要记得继承Writable接口
- job.setOutputKeyClass(Text.class);
- job.setOutputValueClass(LongWritable.class);
- JobClient.runJob(job); // 提交任务
下面来看一下CrawlDbStatMapper方法做了些什么,部分源代码如下:
- public void map(Text key, CrawlDatum value, OutputCollector<Text, LongWritable> output, Reporter reporter)
- throws IOException {
- output.collect(new Text("T"), COUNT_1); // 这里统计所有url出现的次数,在Reduce端会对这个key T进行聚合,不过在
- // 每一个Map端会调用相应的Combiner进行本地聚合来优化
- output.collect(new Text("status " + value.getStatus()), COUNT_1); // 来统计每一种url状态的个数
- output.collect(new Text("retry " + value.getRetriesSinceFetch()), COUNT_1); // 这里统计被重新抓取的url个数
- output.collect(new Text("s"), new LongWritable((long) (value.getScore() * 1000.0))); // 这个统计所有url的分数这和
- if(sort){ // 这个参数是configure方法得到的,代码:sort = job.getBoolean("db.reader.stats.sort", false );
- URL u = new URL(key.toString());
- String host = u.getHost();
- output.collect(new Text("status " + value.getStatus() + " " + host), COUNT_1); // 这里统计相同状态,相同host的url的个数
- }
- }
这里来看一下CrawlDbStatCombiner做了些什么,这个类是继承自Reducer这个抽象类的,部分代码如下:
- if (!k.equals("s")) { // 这里统计除分数外的所有相同key的value值之各
- while (values.hasNext()) {
- LongWritable cnt = (LongWritable)values.next();
- val.set(val.get() + cnt.get());
- }
- output.collect(key, val);
- } else { // 这里统计相同key的分数之和,这里的key就是上面Mapper中输出的's',就是所有url的分数
- long total = 0;
- long min = Long.MAX_VALUE;
- long max = Long.MIN_VALUE;
- while (values.hasNext()) {
- LongWritable cnt = (LongWritable)values.next();
- if (cnt.get() < min) min = cnt.get(); // 计算最小分数
- if (cnt.get() > max) max = cnt.get(); // 计算最大分数
- total += cnt.get(); // 计算总分
- }
- output.collect(new Text("scn"), new LongWritable(min)); // 输出这个Mapper节点上的最小分数
- output.collect(new Text("scx"), new LongWritable(max)); // 输出这个Mapper节点上的最大分数
- output.collect(new Text("sct"), new LongWritable(total)); // 输出这个Mapper节点上的总分
- }
- }
Hadoop中的Combiner主要的作用是对Mapper的输出进行次优化,以减少Reducer的scoket的网络传输数据量
最后看一下那个CrawlDbStatReducer方法,主要代码如下:
- String k = ((Text) key).toString();
- if (k.equals("T")) { // 这里统计所有url的个数
- // sum all values for this key
- long sum = 0;
- while (values.hasNext()) {
- sum += ((LongWritable) values.next()).get();
- }
- // output sum
- output.collect(key, new LongWritable(sum));
- } else if (k.startsWith("status") || k.startsWith("retry")) {// 这里统计所有key中包含"status"与"retry"字段的value的值
- LongWritable cnt = new LongWritable();
- while (values.hasNext()) {
- LongWritable val = (LongWritable)values.next();
- cnt.set(cnt.get() + val.get());
- }
- output.collect(key, cnt);
- } else if (k.equals("scx")) { // 这里计算url分数的max值
- LongWritable cnt = new LongWritable(Long.MIN_VALUE);
- while (values.hasNext()) {
- LongWritable val = (LongWritable)values.next();
- if (cnt.get() < val.get()) cnt.set(val.get());
- }
- output.collect(key, cnt);
- } else if (k.equals("scn")) { // 这里统计url分数的min值
- LongWritable cnt = new LongWritable(Long.MAX_VALUE);
- while (values.hasNext()) {
- LongWritable val = (LongWritable)values.next();
- if (cnt.get() > val.get()) cnt.set(val.get());
- }
- output.collect(key, cnt);
- } else if (k.equals("sct")) { // 这里统计所有url的总分
- LongWritable cnt = new LongWritable();
- while (values.hasNext()) {
- LongWritable val = (LongWritable)values.next();
- cnt.set(cnt.get() + val.get());
- }
- output.collect(key, cnt);
- }
在processStatJob这个方法中最所还要读取上面MP的输出,对其数据进行规格化输出,这里就不分析了,只是要注意一点,代码如下
- // reading the result
- FileSystem fileSystem = FileSystem.get(config);
- SequenceFile.Reader[] readers = SequenceFileOutputFormat.getReaders(config, tmpFolder);
这里使用了SequenceFileOutputFormat的Reader来读取其内容,在Reader中有一个叫next(key,value)的方法来读取相应的<key,value>对
* bin/nutch <crawldb> -dump <out_dir> [-format normal|csv]
这个命令是调用CrawlDbReader中的processDumpJob方法来做的,这个方法也是提交了一个MP任务,不过这个MP任务相对来说很简单了,就是定义了InputFormat与OutputFormat,没有定义Map与Reducer操作,来对CrawlDb的数据进行转换。* bin/nutch <crawldb> -url url
这个命令是调用CrawlDbReader中的get方法来做的,主要用到了两个方法,一个是:
- private void openReaders(String crawlDb, Configuration config) throws IOException {
- if (readers != null) return;
- FileSystem fs = FileSystem.get(config);
- readers = MapFileOutputFormat.getReaders(fs, new Path(crawlDb,
- CrawlDb.CURRENT_NAME), config);
- }
这个方法主要是用于得到相应的Readers抽象,输入为CrawlDb的目录名,这个目录的文件格式为MapFileOutputFormat
另一个方法是:
- CrawlDatum res = (CrawlDatum)MapFileOutputFormat.getEntry(readers,
- new HashPartitioner<Text, CrawlDatum>(), key, val);
根据上面得到的readers,通过MapFileOutputFormat的static方法getEntry来得到key(url)所对应的value(CrawlDatum),注意这里getEntry返回的类型为Writable抽象,这里要cast一下.
* bin/nutch <crawldb> -topN nnn <out_dir> [<min>]
这个命令是调用CrawlDbReader中的processTopNJob方法来估物,这里也使用两个MP任务来做。第一个MP任务主要是把<url,CrawlDatum>转换成<score,url>的格式,过滤那些score小于min的数据,用来准备数据
第二个MP任务主要是用来对score进行排序,产生topN个url,输出到一个文件中,因为这里设置了job.setNumReduceTasks(1).
NOTE:这里为什么要用两个MP任务,主要是因为这里的key是score,如果用一个MP任务,那在Reducer的时候就会对相同的key进行聚合,这时就会出问题,而这里第一个MP任务是不对key进行聚合的,这里使用了IdnetityReducer。
3. 总结
这个是工具类,主要做一些统计工作,分析有点粗糙