这学期“体系结构”的大作业是让写一个搜索引擎。所以前一段时间就简单看了下Nutch。这篇文章不会涉及到搜索引擎的细节,而是侧重于Hadoop在Nutch中的应用。
Hadoop在Nutch中是充当了数据的存储和MapReduce任务执行的角色。
我们首先关注下页面爬取的过程。在Nutch中有个叫做“CrawlDb“的数据库,它是用来存储所有网络爬虫已知的URL地址,以及该地址的相应状态信息的的。其中状态信息包括爬取状态,上次爬取的时间,爬取间隔等。在Nutch中,该数据库使用Hadoop的Map文件形式存储。具体格式为<Text, CrawlDatum>。其中的key表示该URL的地址,而value则是Nutch自己定义的一个类型“CrawlDatum”,该类型实现了"Writable"接口,用来表示页面的一些属性。
“CrawlDatum"的类的具体形式如下:
package org.apache.nutch.crawl;
public class CrawlDatum implements WritableComparable<CrawlDatum>, Cloneable {
private byte status;
private long fetchTime = System.currentTimeMillis();
private byte retries;
private int fetchInterval;
private float score = 1.0f;
private byte[] signature = null;
private long modifiedTime;
private org.apache.hadoop.io.MapWritable metaData;
}
其中包括了页面的状态,抓取时间,抓取间隔等属性。
搜索引擎最初开始工作时,“CrawlDb”的内容是从一个简单的文本文件中获取的。该文本文件包含了一系列初始的URL地址。这个过程叫做“Injector”。如果"CrawlDb"已经存在,这时再调用“Injector"会把"CrawlDb"中原始的数据和提供的文本文件中的URL数据合并。
在Nutch中”Injector“实现分为4步,其中前两步为两个MapReduce任务。
第一个M/R任务是用来把文本文件中的URL进行过滤,规范化,包装成“CrawlDatum”,并最终存成临时的Sequence类型文件。该临时文件的格式为<Key, CrawlDatum>。
第二个M/R任务是用来把排序后的结果和原“CrawlDb"中的数据(如果存在)进行合并,生成新的CrawlDb文件。
第三步,用新生成的CrawlDb来替换原有的文件。
第四步,删除之前产生的临时文件。
下面我们来看一下它的实现过程的代码。
public void inject(Path crawlDb, Path urlDir) throws IOException {
// 首先生成一个临时路径,来存放中间结果。
Path tempDir =
new Path(getConf().get("mapred.temp.dir", ".")
+ "/inject-temp-"
+ Integer.toString(new Random().nextInt(Integer.MAX_VALUE)));
// 创建排序任务
JobConf sortJob = new NutchJob(getConf());
// 设置相关属性
FileInputFormat.addInputPath(sortJob, urlDir);
sortJob.setMapperClass(InjectMapper.class);
FileOutputFormat.setOutputPath(sortJob, tempDir);
sortJob.setOutputFormat(SequenceFileOutputFormat.class);
sortJob.setOutputKeyClass(Text.class);
sortJob.setOutputValueClass(CrawlDatum.class);
// 运行任务
JobClient.runJob(sortJob);
// 创建合并任务
JobConf mergeJob = CrawlDb.createJob(getConf(), crawlDb);
// 设置属性
FileInputFormat.addInputPath(mergeJob, tempDir);
mergeJob.setReducerClass(InjectReducer.class);
// 运行任务
JobClient.runJob(mergeJob);
// 替换
CrawlDb.install(mergeJob, crawlDb);
// 删除临时文件
FileSystem fs = FileSystem.get(getConf());
fs.delete(tempDir, true);
}
其中第一个任务的Mapper类为“InjectMapper”。我们来看一下它的具体实现。
public void map(WritableComparable key, Text value,
OutputCollector<Text, CrawlDatum> output, Reporter reporter)
throws IOException {
// 获得一行URL地址
String url = value.toString();
try {
// 规范化和过滤URL
url = urlNormalizers.normalize(url, URLNormalizers.SCOPE_INJECT);
url = filters.filter(url);
} catch (Exception e) {
url = null;
}
// 保存结果
if (url != null) {
value.set(url);
CrawlDatum datum = new CrawlDatum(CrawlDatum.STATUS_INJECTED, customInterval);
datum.setFetchTime(curTime);
output.collect(value, datum);
}
}
该M/R任务执行后,之前的文本文件会被转化成一个临时的Sequence文件,其格式为<Text, CrawlDatum>。
接下来就是合并任务的执行。该合并任务是通过调用“CrawlDb.createJob()”方法来创建的,所以我们首先来看一下该方法。
public static JobConf createJob(Configuration config, Path crawlDb)
throws IOException {
// 为即将生成的新"CrawlDb"产生一个临时的随机路径
Path newCrawlDb =
new Path(crawlDb,
Integer.toString(new Random().nextInt(Integer.MAX_VALUE)));
// 创建任务
JobConf job = new NutchJob(config);
// 获得已有的“CrawlDb"的路径
Path current = new Path(crawlDb, CURRENT_NAME);
// 如果该文件存在,则把它加入该任务的输入路径中
if (FileSystem.get(job).exists(current)) {
FileInputFormat.addInputPath(job, current);
}
// 设置任务参数
job.setInputFormat(SequenceFileInputFormat.class);
job.setMapperClass(CrawlDbFilter.class);
FileOutputFormat.setOutputPath(job, newCrawlDb);
job.setOutputFormat(MapFileOutputFormat.class);
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(CrawlDatum.class);
// 返回任务
return job;
}
可以看出,该合并任务的输出是个Map类型的文件,和之前的“CrawlDb"(如果存在)类型是相同的。该任务的Mapper类为“CrawlDbFilter”。其实现和之前的“InjectMapper”相似,这里略去不提。该任务的Reducer类为“InjectReducer”,它是合并的具体实施者。我们来看一下它的实现。
public void reduce(Text key, Iterator<CrawlDatum> values,
OutputCollector<Text, CrawlDatum> output, Reporter reporter)
throws IOException {
boolean oldSet = false;
while (values.hasNext()) {
CrawlDatum val = values.next();
if (val.getStatus() == CrawlDatum.STATUS_INJECTED) {
// 新URL
injected.set(val);
injected.setStatus(CrawlDatum.STATUS_DB_UNFETCHED);
} else {
// 原“CrawlDb"中已有的URL
old.set(val);
oldSet = true;
}
}
CrawlDatum res = null;
if (oldSet) {
// 不覆盖已有的URL
res = old;
} else {
res = injected;
}
// 保存结果
output.collect(key, res);
}
这两个M/R任务执行后,系统中存在一新一旧两个"CrawlDb"文件(如果之前已经存在"CrawlDb")。接下来我们需要把两个文件互换。相应的函数为CrawlDb.install(mergeJob, crawlDb)。我们来看一下它的实现:
public static void install(JobConf job, Path crawlDb) throws IOException {
// 获得新"CrawlDb"路径
Path newCrawlDb = FileOutputFormat.getOutputPath(job);
FileSystem fs = new JobClient(job).getFs();
Path old = new Path(crawlDb, "old");
// 获得当前(旧)“CrawlDb"路径
Path current = new Path(crawlDb, CURRENT_NAME);
// 如果当前已经存在“CrawlDb",则把其重命名为”old"。
if (fs.exists(current)) {
fs.rename(current, old);
}
// 把新的"CrawlDb"重命名为当前“CrawDb"
fs.rename(newCrawlDb, current);
// 删除"old"
if (fs.exists(old)) {
fs.delete(old, true);
}
}
在替换之后,还剩下最后一步,即把之前的临时文件删除。至此,“Injection”的使命就完成了。