nutch v1.9源码分析(4)——injector分析

本文链接：https://blog.csdn.net/spacewalkman/article/details/41700845

1.1 inject

1.1.1 职责

将文本文件中的种子url初始化到系统存储所有url列表的库(crawldb)中。爬虫系统本质上是图遍历，最终目的是发现整个网络图（只不过nutch的图遍历与传统《数据结构》中的图遍历算法不同之处在于——后者一般是在图拓扑结构已知的情况下，以某种策略访问每个节点，而前者是访问之前图拓扑未知，是在访问的过程中一边发现新的节点，一边遍历的过程）。图遍历需要指定从哪个（些）起点开始遍历。inject相当于为nutch遍历整个网络图指定了入口，由于考虑了并行化，nutch可以指定多个起始位置开始并行遍历整个网络图，所以可以指定多个seed url^[2]

1.1.2 Usage

injector <crawldb> <url_dir>，参数解释如下：

1) crawldb：是injector的输出路径，用来存储所有爬取url数据库（即crawldb）文件夹路径。

crawldb存储了<url:CrawlDatum>之之间的映射关系，物理上以HadoopSequenceFile文件的形式存在于HDFS上（当然该HDFS不一定是分布式的，单机的话也可以是本能地文件系统）。

2) url_dir：是injector的输入目录，可以含有子目录，各级目录中的文本文件都会按照如图5格式进行解析：

图5 种子url文本文件的格式

每个文本文件每行定义一个url和若干可选的元数据，之间以制表符切分，元数据格式为key=value形式，元数据的key除了以下3个保留的key值之外，可以任意取值（但是中间不能有\t）：

1) nutch.score

该key定义了url的得分（即重要程度），nutch给url计算重要性的具体做法可参见[6]，实际是pageRank算法，该算法将网页和网页之间的链接视为源网页对目标网页的一次投票，该算法对一般会对每个网页设置初始重要程度为相等的值，nutch采用的默认值是1.0f。当然，用户为了使得某个网页在inject之后，能够有更大的可能被选中加入到fetchlist，加入到fetchlist就能在接下来的fetch阶段开始该网页的爬取。可以将该值设置的大一些。但是需要注意的时，pageRank算法视链接为投票，一个url的初始重要程度高，并不代表在pageRank收敛时，该url的最终重要程度高，其重要程度主要由指向该url的其他url的重要程度决定的，即inlinks的重要程度决定的。

2) nutch.fetchInterval

注入的url爬取周期（fetchInterval），即在多少天之后能够被再次选取加入到fetchlist，无论该url之前是什么状态（如是否被爬取，由于出错重试了一定次数，具体参见[4]），默认是30天。

3) nutch.fetchInterval.fixed

为注入的url设置固定爬取周期（fetchInterval），该配置项的优先级比nutch.fetchInterval高，如果注入了该值，爬取周期固定为指定值，nutch.fetchInterval即使指定了也无效，并且nutch执行过程中不会修改该值。

以上3个metadata对该url决定了该url何时能够被爬取，具体参见5.3。

1.1.3 Configurable Item

表1 inject的可配置项解释

参数	含义	默认值
db.fetch.interval.default	注入url时，默认的爬取周期(fetch.interval)	2592000，单位：秒，=30天，该值的实际含义是：不管该url之前是什么状态，在30天之后，nutch都将重新尝试爬取该网页。注意：该值只是一个"软期限"，实际该网页到了30天之后，是否能被加入到fetchlist还要受fetch阶段的参数控制，具体参见5.3
db.score.injected	注入时url的默认网页得分(重要程度)	1.0f，网页默认的重要程度，默认网页的重要程度都相同，关于网页的Scoring可以参照[6]
db.injector.overwrite	这2者是控制新注入的url在原来的crawldb中已经存在的时候（当该条件不成立的时候，二者都不起作用），nutch如何处理新注入的metadata和旧的metadata之间的关系的，2者共同配合完成如下图6所示逻辑：	2者的默认值都为false，表明：在出现待注入的url已经在crawldb中存在的情况下，完全忽略新注入的url以及其附带的metadata
db.injector.update

图6 injector的configurable item中update和override参数的作用

1.1.4 相关数据结构分析

1.1.4.1 CrawlDatum

存储了url在整个爬取过程中的状态信息，该状态信息跨越多个阶段，该状态信息的不同取值影响着nutch运行时行为的如下内容：

1) url是否会被爬取。

2) 何时能被爬取。

3) 在爬取成功后什么时候再开始下次爬取。

具体的，状态信息包含：

1) byte类型的status：存储了从inject、fetch、parse等阶段的状态，具体如图 7所示：

图7 crawlDatum中url的status取值范围(为简化图形省略了前缀STATUS_)

通过图 7可以看出，nutch为了将不同的status状态取值划分成了3个不同的范围，从上到下依次为“crawldb中的状态”、“fetch阶段的状态”和“其他阶段的状态”，为了便于进行逻辑运算（例如：CrawlDatum.hasDbStatus(CrawlDatum)和hasFetchStatus(CrawlDatum)方法），nutch在各个阶段中间设置了各个阶段的上限取值DB_MAX和FETCH_MAX。

不同的status的取值会在不同的阶段之间进行变迁，可以如下图所示的状态机^[4]来表示：

图 8 nutch的CrawlDatum状态机^[4]

2) long类型的（实际是Date，存储是微秒）fetchtime：上次（或者下次）爬取时间，初始化的crawlDatum的时候，nutch将其初始化为系统当前时间，该时间会被nutch的FetchSchedule(爬取调度器)来使用以决定该crawlDatum对应的url是否会加入到fetchlist。

3) byte类型的retries，在fetch阶段，由于各种原因（最常见的是源网站连接不上），url无法访问，对该url的fetch会在一定的时间内超时，此时会retries次数会自增，retries超过一定的次数，该url会被认为GONE状态。retries与status的关系见图 8。

4) fetchInterval：爬取周期(间隔)，表示每隔多长时间该url具有被选取加入fetchlist的资格。

5) score：该url的重要程度，影响该url爬取的优先级，越高越会被优先爬取。

6) signature：url对应的html内容的md5摘要签名。用于验证2个网页的内容是否相同。

7) moidfiedTime:网页内容的变化时间，当该url再次被爬取的时候，通过计算器内容的signatrue，与上次进行比较，如果不相同，则认为网页内容发生了变化，记录moidfiedTime为当前时间。

8) metaData，一个持久化的map结构存储key:value对。用于存储爬取过程中该url其他的元信息，例如：图片分辨率，url所在的segment文件夹名称等。

1.1.4.2 Crawldb

Crawldb是逻辑概念，存储<url:CrawlDatum>之间的映射关系，物理上是HDFS上的一个SequenceFile格式的文件。该文件中典型的一条记录如图 9所示：

图9 CrawlDb的记录示例

1.1.5 MapReduce Job分析

1.1.5.1 sortJob

图10 injector的程序流程图

injector的input有两种文件类型，一种是待注入的文本文件，二是旧的sequenceFile类型的crawldb文件。由于2种文件类型不同，无法发送给同一个Reducer进行处理，nutch采用了2个MapReduce Job来处理，这2个job就是图 10中的2个“子流程”。其中sortJob主要完成从种子文件文本转换成与现有crawldb同样格式的<url:CrawlDatum>的预处理工作，以方便mergeJob采用统一的的InjectReducer进行处理，sortJob的解析如图 11所示。

图 11 injector sortJobMapReduce过程解析

sortJob的map阶段由InjectMapper进行处理，主要的程序流程图如图 12所示。

图 12 InjectMapper的程序流程图

需要注意的是，sortJob在mapper阶段执行完毕之后，会判断crawldb是否已经存在，如果已经存在，sortJob不会执行reducer阶段，而是等到mergeJob来一并处理。如果存在crawldb不存在，则sortJob会执行InjectReducer来进行处理。

从实际nutch对sortJob的实现来看，sortJob应该命名为filterJob更合适一些，因为其大部分都是在进行url的“过滤(filter)”和“规范化(normalization)”工作，真正“sort”的是依赖于mapReduce框架的shuffle过程完成的。

1.1.5.1 mergeJob

mergeJob，顾名思义，主要完成相同url的CrawlDatum的“合并”工作。它将sortJob的输出和现有的crawldb二者作为输入，如果存在相同的key(为url)，由于key为url，在shuffle阶段，相同url的CrawlDatum会被发送到同一个InjectReducer，所以无论是新注入的url的CrawlDatum还是原来crawldb中已经存在的CrawlDatum（url与新注入的url相同）都会被同一个InjectReducer处理，所以InjectReducer可以判断是否新注入的url与现有的crawldb中的url存在重复的情况。具体重复之后如何处理，要受到injector的update和overwrite参数的控制(参见图 6)。 mergeJob的MapReduce过程分析如图 13。