Nutch1.7学习笔记8:CrawlDb源代码分析

Nutch1.7学习笔记8:CrawlDb源代码分析

作者:雨水,时间:2013-12-3 博客地址:http://blog.csdn.net/gobitan

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。

评论 2
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

gobitan

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值