heritrix在使用ELFHash等算法进行多线程抓取时经常出现只解析多次DNS就停止的情况。网上说的一些原因都不清楚。经过两天研究,基本找到了原因并提供一个简单的解决办法。
当使用多线程进行抓取时,种子url先经过DNS解析,DNS解析需要一定的时间,当DNS还没有解析完毕时,种子url已经抓取完毕并且重试了多次,所以当DNS解析完毕时没有新的url加入队列。而在单线程模式下,种子url抓取的过程是在DNS解析出结果之后再重新进行抓取,但多线程状况下,这种顺序被打乱,可能种子url在DNS还没解析出来就试图抓取了,就会出现错误,导致后面解析出DNS后没有需要抓取的url了。具体原因可能是跟url队列有关系,多线程中DNS和对应的种子不是放在同一个队列中,所以它们的抓取顺序变了。另一方面,在配置抓取order时有一个retry-delay-seconds,在多线程情况下也失效,通过测试我发现重新抓取delay的时间根本不是设置的时间,几乎没有延迟就重新抓取了。这也导致种子url在抓取失败后没有等待而是继续重试抓取种子,所以这样虽然重试了多次抓取种子url,但是DNS解析好没有出来结果,最后导致的还是只解析多个DNS结束。总之一句话,多线程抓取导致了抓取顺序变化和部分延迟功能失效,进而导致出现只解析多次DNS就停止的问题。ps:在出现的问题中,max-retries的数值一般就是最后解析DNS的次数。大家可以试一下。
解决办法:我只弄了个很简单的办法,期待大牛提出更好的办法,在线程中判断url是否是种子,如果是就让线程睡一段时间等待DNS解析完成。具体改的代码就是ToeThread类中的run()方法。在 processCrawlUri();后面加上 :
if(curi.isSeed())
Thread.sleep(1000);
线程sleep的时间可以视网络延迟来定,大一点也无所谓,毕竟种子url是很少的,对效率影响不大。
还有个方法就是max-retries数字设大一下,我这里30以上就可以。
肯定还有其他好的方法,欢迎大家讨论。
感谢heritrix群:10447185及群主 guoyunsky。群主写的一系列博客很棒。