Nutch 1.3 学习笔记 8 LinkDb

这里主要是分析一下org.apache.nutch.crawl.LinkDb,它主要是用计算反向链接。

1. 运行命令 bin/nutch invertlinks

帮助参数说明：

[html]  view plain copy

1. Usage: LinkDb <linkdb> (-dir <segmentsDir> | <seg1> <seg2> ...) [-force] [-noNormalize] [-noFilter]  
2.     linkdb  output LinkDb to create or update  
3.     -dir segmentsDir    parent directory of several segments, OR  
4.     seg1 seg2 ...    list of segment directories  
5.     -force  force update even if LinkDb appears to be locked (CAUTION advised)  
6.     -noNormalize    don't normalize link URLs  
7.     -noFilter   don't apply URLFilters to link URLs  

本地的运行结果为：

[html]  view plain copy

1. lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch invertlinks db/linkdb/ db/segments/20110822105243/   
2.     LinkDb: starting at 2011-08-29 09:21:36  
3.     LinkDb: linkdb: db/linkdb  
4.     LinkDb: URL normalize: true  
5.     LinkDb: URL filter: true  
6.     LinkDb: adding segment: db/segments/20110822105243            // 加入新的segment库  
7.     LinkDb: merging with existing linkdb: db/linkdb               // 与原因的库进行合并  
8.     LinkDb: finished at 2011-08-29 09:21:40, elapsed: 00:00:03  

2. LinkDb主要源代码分析

在LinkDb主要是调用一个invert方法，这个方法做了两件事，
+ 分析新输入的segment目录，产生新的反向链接库
+ 把新产生的反向链接库与原来的库进行合并

2.1 分析新输入的segment目录，主要代码如下：

[html]  view plain copy

1. // 新建立一个MP任务  
2.     JobConf job = LinkDb.createJob(getConf(), linkDb, normalize, filter);  
3.     // 添加目录到输入路径，这里可能有多个输入路径, parse_data  
4.     for (int i = 0; i < segments.length; i++) {  
5.       if (LOG.isInfoEnabled()) {  
6.         LOG.info("LinkDb: adding segment: " + segments[i]);  
7.       }  
8.       FileInputFormat.addInputPath(job, new Path(segments[i], ParseData.DIR_NAME));      
9.     }  
10.     // 提交MP任务  
11.     try {  
12.       JobClient.runJob(job);  
13.     } catch (IOException e) {  
14.       LockUtil.removeLockFile(fs, lock);  
15.       throw e;  
16.     }  

下面来看一下createJob都做了些什么：

[html]  view plain copy

1. private static JobConf createJob(Configuration config, Path linkDb, boolean normalize, boolean filter) {  
2.         // 新成一个临时的目录  
3.     Path newLinkDb =  
4.       new Path("linkdb-" +  
5.                Integer.toString(new Random().nextInt(Integer.MAX_VALUE)));  
6.   
7.   
8.     JobConf job = new NutchJob(config);  
9.     job.setJobName("linkdb " + linkDb);  
10.   
11.   
12.     // 设置输出格式  
13.     job.setInputFormat(SequenceFileInputFormat.class);  
14.   
15.   
16.     // 配置Map,Combiner,Reducer方法  
17.     job.setMapperClass(LinkDb.class);  
18.     job.setCombinerClass(LinkDbMerger.class);  
19.       
20.     // 如果配置了过滤或者规格化，并且没有找到老的linkdb目录，好就以filter和normalize进行配置  
21.     // if we don't run the mergeJob, perform normalization/filtering now  
22.     if (normalize || filter) {  
23.       try {  
24.         FileSystem fs = FileSystem.get(config);  
25.         if (!fs.exists(linkDb)) {  
26.           job.setBoolean(LinkDbFilter.URL_FILTERING, filter);  
27.           job.setBoolean(LinkDbFilter.URL_NORMALIZING, normalize);  
28.         }  
29.       } catch (Exception e) {  
30.         LOG.warn("LinkDb createJob: " + e);  
31.       }  
32.     }  
33.     job.setReducerClass(LinkDbMerger.class);  
34.   
35.   
36.     // 配置MP输出路径  
37.     FileOutputFormat.setOutputPath(job, newLinkDb);  
38.     // 配置输出格式  
39.     job.setOutputFormat(MapFileOutputFormat.class);  
40.     // 对map输出使用压缩，以减少Reducer的输入压力  
41.     job.setBoolean("mapred.output.compress", true);  
42.     // 配置<key,value>的输出类型  
43.     job.setOutputKeyClass(Text.class);  
44.     job.setOutputValueClass(Inlinks.class);  
45.   
46.   
47.     return job;  
48.   }  

  下面来看一下LinkDb中的map做了些什么，这个方法主要是从toUrl=>fromUrl建立一个对应关系，这个有点像倒排索引中的TermId=>DocId
  而LinkDbMerger这个类实现了reducer接口，主要是收集指定个数的同一个toUrl的fromUrl，这个指定的个数可能通过设置db.max.inlinks来设定。 

  2.2 把新产生的反向链接库与老的库进行合并，主要代码如下：

[html]  view plain copy

1. if (fs.exists(currentLinkDb)) {   // 如果存在老的反向链接库，就进行合并  
2.    if (LOG.isInfoEnabled()) {  
3.      LOG.info("LinkDb: merging with existing linkdb: " + linkDb);  
4.    }  
5.    // try to merge  
6. //   
7.    Path newLinkDb = FileOutputFormat.getOutputPath(job);  
8.    job = LinkDbMerger.createMergeJob(getConf(), linkDb, normalize, filter);  
9. // 加入输入路径  
10.    FileInputFormat.addInputPath(job, currentLinkDb);  
11.    FileInputFormat.addInputPath(job, newLinkDb);  
12.    try {  
13.      JobClient.runJob(job);  
14.    } catch (IOException e) {  
15.      LockUtil.removeLockFile(fs, lock);  
16.      fs.delete(newLinkDb, true);  
17.      throw e;  
18.    }  
19.    fs.delete(newLinkDb, true);  
20.  }  
21.  LinkDb.install(job, linkDb); // 安装新生成的反向链接库  

我们再看一下createMergeJob做了些什么：

[html]  view plain copy

1. public static JobConf createMergeJob(Configuration config, Path linkDb, boolean normalize, boolean filter) {  
2.      // 生成一个临时目录  
3.    Path newLinkDb =  
4.      new Path("linkdb-merge-" +   
5.               Integer.toString(new Random().nextInt(Integer.MAX_VALUE)));  
6.   
7.   
8.    JobConf job = new NutchJob(config);  
9.    job.setJobName("linkdb merge " + linkDb);  
10. // 配置个输出格式  
11.    job.setInputFormat(SequenceFileInputFormat.class);  
12.   
13.   
14. // 配置Map与Reducer方法，这里的Reducer方法与上面的一样，用于对相同key(toUrl)的values进行聚合  
15. // 然后输出指定个数的value，而这里的LinkDbFilter应该是对key与value所对应的url进行过滤与正规化  
16.    job.setMapperClass(LinkDbFilter.class);  
17.    job.setBoolean(LinkDbFilter.URL_NORMALIZING, normalize);  
18.    job.setBoolean(LinkDbFilter.URL_FILTERING, filter);  
19.    job.setReducerClass(LinkDbMerger.class);  
20.   
21.   
22. // 配置输出路径  
23.    FileOutputFormat.setOutputPath(job, newLinkDb);  
24.    job.setOutputFormat(MapFileOutputFormat.class);  
25.    job.setBoolean("mapred.output.compress", true);  
26.    job.setOutputKeyClass(Text.class);  
27.    job.setOutputValueClass(Inlinks.class);  
28.   
29.   
30.    return job;  
31.  }  

  3. bin/nutch readlinkdb 分析

主要是用于下载linkdb的内容到指定的目录，帮助如下：

     

[html]  view plain copy

1. Usage: LinkDbReader <linkdb> {-dump <out_dir> | -url <url>)  
2.     -dump <out_dir>   dump whole link db to a text file in <out_dir>  
3.     -url <url>    print information about <url> to System.out  

下面是本机运行的结果：

[html]  view plain copy

1. lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readlinkdb db/linkdb/ -dump output2  
2.     LinkDb dump: starting at 2011-08-29 09:54:08  
3.     LinkDb dump: db: db/linkdb/  
4.     LinkDb dump: finished at 2011-08-29 09:54:09, elapsed: 00:00:01  

下面是输出output2目录中文件的部分内容，可以看到，这里一个<key,value>对，key是toUrl，value是fromUrl

[html]  view plain copy

1. lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ head output2/part-00000   
2. http://baike.baidu.com/ Inlinks:  
3.         fromUrl: http://www.baidu.com/ anchor: 百科  
4.   
5. http://hi.baidu.com/    Inlinks:  
6.         fromUrl: http://www.baidu.com/ anchor: 空间  
7.   
8. http://hi.baidu.com/baidu/  Inlinks:  
9.         fromUrl: http://www.baidu.com/ anchor:   
10.   
11. http://home.baidu.com/  Inlinks:  

这个readlinkdb也是用了一个MP任务，输入格式为SequenceFileInputFormat，输出格式为TextOutput，Map-Reducer都是用的默认的。

   4. bin/nutch mergelinkdb 分析

主要是用来合并个不同的linkdb数据库的

[html]  view plain copy

1.     Usage: LinkDbMerger <output_linkdb> <linkdb1> [<linkdb2> <linkdb3> ...] [-normalize] [-filter]  
2. output_linkdb   output LinkDb  
3. linkdb1 ... input LinkDb-s (single input LinkDb is ok)  
4. -normalize  use URLNormalizer on both fromUrls and toUrls in linkdb(s) (usually not needed)  
5. -filter use URLFilters on both fromUrls and toUrls in linkdb(s)  

其实这里的合并就是调用上面分析的LinkDbMerger中的createMergeJob方法

   5. 总结
这里主要是对于parse_data目录中分析出来的外链接进行反向链接的计算，在下面计算链接分数的时候会用到这些反向链接。