Nutch1.7学习笔记8：CrawlDb源代码分析

CrawlDb分析

功能：将解析出来的Segment中的URL更新至CrawlDb。

update方法

update方法的参数包含四个参数：

(1) CrawlDb数据库的路径，如crawl/crawldb；

(2) Segment的路径，如crawl/segments/20131130101034；

(3) 是否规范化的布尔值；

(4) 是否进行过滤的布尔值。

update job的配置：

(1) 配置输入路径： FileInputFormat.addInputPath(job,current);

(2) 配置输入文件格式：job.setInputFormat(SequenceFileInputFormat.class);

(3) 配置Mapper类：job.setMapperClass(CrawlDbFilter.class);

(4) 配置Reduce类：job.setReducerClass(CrawlDbReducer.class);

(5) 配置输出路径：FileOutputFormat.setOutputPath(job,newCrawlDb);

(6) 配置输出文件格式：job.setOutputFormat(MapFileOutputFormat.class);

(7) 配置输出key的类型：job.setOutputKeyClass(Text.class);

(8) 配置输出value的类型：job.setOutputValueClass(CrawlDatum.class);

其中，输入路径为crawl/crawldb/current，输出路径类似crawl/crawldb/123121774，后面的数字为随机数。

然后，将类似crawl/segments/20131130223950/crawl_fetch和crawl/segments/20131130223950/crawl_parse也追加到job的输入路径，它们之间用逗号分隔。

最后，提交并运行job。

从上面的分析可以看出，除了CrawlDbFilter和CrawlDbReducer之外，其他的业务逻辑处理均采用hadoop默认的。

因此，如果要彻底弄明白其执行过程，必须理解hadoop的mapreduce框架细节，这个后面放在单独的笔记里讨论。

这里分析一下Map类CrawlDbFilter和Reduce类CrawlDbReducer，看看它们做了什么。

CrawlDbFilter的map方法

(1) 对URL进行normalize规范化；

(2) 对URL进行filter过滤；

也就说CrawlDbFilter就是对URL进行规范化和过滤，其功能较为简单。

CrawlDbReducer的reduce方法

针对不同的URL状态进行处理：主要的状态包括，DB状态，Fetch状态，Linked状态等。还有关于页面分数相关的过滤，页面分数算法采用的ScoringFilters插件库，默认包含org.apache.nutch.scoring.opic.OPICScoringFilter。具体处理细节待进一步分析。