larbin代码阅读笔记

配置：   

depthInSite ，waitDuration ，noExternalLinks 可根据需要修改，注释写得很明确。

 

打开options.h

注释掉不需要的项目，以下为我的配置文件

 

定义网页保存方式，如下是保存在dxxxxxx目录下，文件以fxxxxx流水号命名

 

//#define DEFAULT_OUTPUT   // do nothing...

 

#define SIMPLE_SAVE      // save in files named save/dxxxxxx/fyyyyyy

//#define MIRROR_SAVE      // save in files (respect sites hierarchy)镜像方式保存

#define STATS_OUTPUT     // do some stats on pages　输出统计

 

#define FOLLOW_LINKS　// do you want to follow links in pages

 

#define LINKS_INFO

#define NO_DUP　　//不允许重复

#define EXIT_AT_END  //完成时退出

#define COOKIES

#define CGILEVEL 2  //不包含cgi

#define DEPTHBYSITE

#define THREAD_OUTPUT

#define RELOAD

#define GRAPH

#define STATS

#define BIGSTATS

 

编辑完成后，需要注意的是如果只修改larbin.conf文件，不需要重新编译，如果修改了options.h文件，需要运行 gmake　重新进行编译。

 

运行

运行了，会看到如下信息

 

larbin_2.6.3 is starting its search

 

Fri Jun 29 15:01:44 2007

urls : 3  (rate : 0)

pages : 3  (rate : 0)

success : 1  (rate : 0)

 

运行过程中还有web方式的统计页面，　http://localhost:8081　即可访问

如果想重新抓取，运行　./larbin -scratch

 

终止运行：Ctrl+C

之后就可以到 ./save 目录下看抓取的webpage了

另外，types.h中有些项也可以自行设置，如　maxUrlsBySite　，maxPageSize

 

这是目前使用的比较多的一种做法，无论在client还是server都有着广泛的应用。在一个线程内打开多个非阻塞的连接，通过poll/epoll/select对连接状态进行判断，在第一时间响应请求，不但充分利用了网络资源，同时也将本机CPU资源的消耗降至最低。这种方法需要对dns请求，连接，读写操作都采用异步非阻塞操作，其中第一种比较复杂，可以采用adns作为解决方案，后面三个操作相对简单可以直接在程序内实现。

 

效率问题解决后就需要考虑具体的设计问题了。

 

url肯定需要一个单独的类进行处理，包括显示，分析url，得到主机，端口，文件数据。

然后需要对url进行排重，需要一个比较大的url Hash表。

如果还要对网页内容进行排重，则还需要一个Document Hash表。

爬过的url需要记录下来，由于量比较大，我们将它写到磁盘上，所以还需要一个FIFO的类(记作urlsDisk)。

现在需要爬的url同样需要一个FIFO类来处理，重新开始时，url会从定时从爬过的url FIFO里取出来，写到这个FIFO里。正在运行的爬虫需要从这个FIFO里读数据出来，加入到主机类的url列表里。当然，也会从前一个FIFO里直接读url出来，不过优先级应该比这个里面出来的url低，毕竟是已经爬过的。

 

爬虫一般是对多个网站进行爬取，但在同时站点内dns的请求可以只做一次，这就需要将主机名独立于url，单独有一个类进行处理。

 

主机名解析完成后需要有一个解析完成的IP类与之应用，用于connect的时候使用。

 

HTML文档的解析类也要有一个，用来分析网页，取出里面的url，加入到urlsDisk。

 

再加上一些字符串，调度类，一个简单的爬虫基本上就完成了。

以上基本上是Larbin的设计思路，Larbin在具体实现上还有一些特殊的处理，例如带了一个webserver，以及对特殊文件的处理。 Larbin有一点设计不不太好，就是慢的访问会越来越多，占用大量的连接，需要改进，另外如果对于大规模的爬虫，这仅仅实现了抓取的部分，要分布式的扩展还需要增加url的集中管理与调度以及前台spider的分布式算法。

 

sequencer.cc 页面优先级

 

checker.cc检查并过滤url

void check (url *u);//检查url是否可知？

bool filter1 (char *host, char *file);//检查url后缀是否合法

 

fetchOpen.cc

void fetchOpen () //打开socket，不会在主线程阻塞

void fetchDns () //dns调用