larbin mysql_【转】larbin的代码实现逻辑概述

1. larbin简介(百度百科)

larbin是一种开源的网络爬虫/网络蜘蛛，由法国的年轻人Sébastien Ailleret独立开发，用c++语言实现。larbin目的是能够跟踪页面的url进行扩展的抓取，最后为搜索引擎提供广泛的数据来源。 Larbin只是一个爬虫，也就是说larbin只抓取网页，至于如何parse的事情则由用户自己完成。另外，如何存储到数据库以及建立索引的事情 larbin也不提供。

latbin最初的设计也是依据设计简单但是高度可配置性的原则，因此我们可以看到，一个简单的larbin的爬虫可以每天获取500万的网页，实在是非常高效。

利用larbin，我们可以轻易的获取/确定单个网站的所有联结，甚至可以镜像一个网站；也可以用它建立url 列表群，例如针对所有的网页进行 url retrive后，进行xml的联结的获取。或者是 mp3，或者定制larbin，可以作为搜索引擎的信息的来源。

2. 高效的larbin

简介中提到larbin是一个非常高效的爬虫，但没有说明为什么。这里尝试列出几个原因。此外，由于接触爬虫的时间尚短，没发现的地方，希望各位能补充下。

a. 节省空间的hash容器。在larbin中，hash的主要用途是判重，因此没必要将元素的值记录到hash表中。于是就使用一个位图保存hash code，根据位图某个位是否为1，判断某个元素是否在hash表中。当要插入一个新元素时，就将hash code对应的位置1。这样说可能不容易明白，举个例吧。假设int为32位，位图为int bitmap[100]，元素A的hash code为120，将元素A插入到hash容器就是将bitmap的第120位置1，即bitmap[120/32] | (1 << 120%32)。

b. 减少dns次数。对于一个站点，使用一次dns解析出IP地址后，下次再遇到该站点的其它网页，就用IP地址替换域名。

c. 异步连接。使用单线程非阻塞的方法进行socket连接，充分利用了网络资源和CPU资源。

3. larbin的大致流程

larbin的大致流程可以从main.cc看出，这里去掉不重要语句，给出关键语句形成的流程，并加上注释。

int main(int argc, char *argv[]) {

global glob(argc, argv)  //使用配置文件初始化global类中的成员变量

for(; ;) {

waitbandwidth()  //如果用户设置了最大带宽，则由此函数保证带宽的使用情况

input()  //接收用户的输入，得到初始URL列表

sequencer() //按优先度将URL放到待爬取站点

fetchDns() //对站点名即host，进行DNS请求

fetchOpen() //从DNS解析成功的站点中，取出一些URL进行socket连接

checkAll() //下载网页，提取URL，并执行用户定制的网页分析

}

}

4. larbin的关键函数

这一节主要使用伪代码说明第3节列出的函数是怎样工作的。

// wait to limit bandwidth usage

waitBandwidth() {

while( 剩余带宽 < 0 ) {

等10ms

if( socket超时 )  　　更新待爬取的url数量

更新剩余带宽

}

}

//

input() {

初始化webServe，等待用户连接

接收用户输入，包括优先度，深度，抓取模式，初始URL列表

从初始URL得到hostName,portNumber,fileName

按优先度将URL放到待爬取队列

}

//start the sequencer

sequencer() {

得到一轮(perCall)可以加载URL的数量(存放在变量still中)

根据URL的优先级加载最多still条URL到待爬取站点

}

//Opens sockets ; this function perform dns calls, using adns

fetchDns() {

从dnsSite取出hostName，发送dns解析请求(发送数量受最大连接数限制)

接收dns解析结果

if(解析成功) {

获取并解析该host的robots.txt

保存URL到okSites

}

}

//Opens sockets ; Never block (only opens sockets on already known sites) ; work inside the main thread

fetchOpen() {

while( 空闲连接数 ) {

从okSites取出一个URL

if( 成功打开socket ) {

向conn填写一些信息

减少一个空闲连接

}

}

}

//read all data available ; fill fd_set for next select ; give back max fds

checkAll() {

for( 每个连接 ) {

switch( 连接状态 ) {

case connecting : 检查是否socket错误，若不是，则将状态转为write,break

case write : 写socket请求，将状态转为open，break

case open : 读网页，分析网页，提取链接(endInput函数)，状态转为empty，break

}

}

for( 每个连接 ) 更新pollfds数组的状态(与异步IO有关)

}

5. 参考文献

以下是我看larbin源码时，对我帮助很大的文献。

a. larbin官网

d. larbin主要函数源代码分析