Nutch-0.9源代码：Injector类

阅读更多

出处：http://hi.baidu.com/shirdrn/blog/item/5d24ef2298e3eca24623e887.html

在对Nutch抓取工作流程分析中，已经简单地提及到了inject操作，如下所示：

inject操作调用的是nutch的核心包之一crawl包中的类org.apache.nutch.crawl.Injector。它执行的结果是：crawldb数据库内容得到更新，包括URL及其状态。 inject操作主要作用可以从下面3方面来说明： (1) 将URL集合进行格式化和过滤，消除其中的非法URL，并设定URL状态(UNFETCHED),按照一定方法进行初始化分值； (2) 将URL进行合并，消除重复的URL入口； (3) 将URL及其状态、分值存入crawldb数据库，与原数据库中重复的则删除旧的，更换新的。

现在，根据上面的信息，可以进一步分析一下：

因为已经初始化了一个URL集合，那么这个集合中就存在多个URL，由此可以想到，如果由于输入错误可能导致错误的URL存在，所以inject操作需要对其进行检查核实，合法的才会去执行抓取，否则执行中发现是错误的会浪费CPU这宝贵资源。

另外，为了防止重复抓取URL，需要设定一个标志位来标识该URL完成抓取与否。那么这些信息应该被存放到某个地方，以备下次启动抓取工作的时候读取，存放到哪里呢？当然是CrawlDB了，更新已经初始化的CrawlDB实体的实例信息，对应于文件系统中的crawldb目录。

再考虑，如果本次抓取工作完成了，下次要启动了，同时也对应一个初始化的URL集合，那么这里面出现的URL可能在上次被抓取过，是否被抓取过，可以从CrawlDB中查看到详细的信息。对于重复的URL当然不希望再次被抓取(如果该URL对应的页面信息没有完全变更)，应该忽略掉，这就涉及到了对抓取的页面去除重复的URL，这是应该做的，这也可以称为合并操作。

如果你了解MapReduce模型的话，现在已经能够想到，这里面可以实现MapReduce模型的，Nutch就实现了MapReduce模型(实际上是在Hadoop中实现的，因为对于每个Map和Reduce实现类都分别实现了org.apache.hadoop.mapred.Mapper接口与org.apache.hadoop.mapred.Reducer)。

Mapper实现对URL集合数据的映射，Reducer实现了对URL的合并操作。这里提及MapReduce模型，有助于对Injector类的两个静态内部类InjectMapper和InjectReducer理解。

org.apache.nutch.crawl.Injector类实现了org.apache.hadoop.util.ToolBase抽象类，如下所示：

public class Injector extends ToolBase

而org.apache.hadoop.util.ToolBase抽象类又实现了org.apache.hadoop.util.Tool接口。如果你对Tool类了解，及其配置部署过Hadoop自带的WordCount工具的时候，就理解了，实现Tool接口的实现类可以通过org.apache.hadoop.util.ToolRunner类来启动执行MapReduce任务的工具。

先看Injector类中如何实现Map的，InjectMapper类的实现如下所示：

  /** 标准化初始化的URLs，并且过滤注入的URLs */
public static class InjectMapper implements Mapper { // 实现Mapper接口，就要实现该接口中定义的map函数
    private URLNormalizers urlNormalizers; // URL标准化工具，可以实现URL的标准化
    private float interval; // 设置抓取间隔时间
    private float scoreInjected; // 设置注入URL对应页面的得分值
    private JobConf jobConf; // 抓取工作配置实例
    private URLFilters filters; // URL过滤器
    private ScoringFilters scfilters; // 得分过滤器
    private long curTime; // 设置注入时间

    public void configure(JobConf job) { // 为一次抓取工作进行配置
      this.jobConf = job;
      urlNormalizers = new URLNormalizers(job, URLNormalizers.SCOPE_INJECT);
      interval = jobConf.getFloat("db.default.fetch.interval", 30f);
      filters = new URLFilters(jobConf);
      scfilters = new ScoringFilters(jobConf);
      scoreInjected = jobConf.getFloat("db.score.injected", 1.0f);
      curTime = job.getLong("injector.current.time", System.currentTimeMillis());
    }

    public void close() {}

    public void map(WritableComparable key, Writable val,
                    OutputCollector output, Reporter reporter)
      throws IOException { // map函数的实现是核心
      Text value = (Text)val;
      String url = value.toString();              // 从初始化URL集合中读取一行，一行是一个URL
      // System.out.println("url: " +url);
      try {
        url = urlNormalizers.normalize(url, URLNormalizers.SCOPE_INJECT);       // 标准化URL
        url = filters.filter(url);             // 过滤URL，去除不合法的URL
      } catch (Exception e) {
        if (LOG.isWarnEnabled()) { LOG.warn("Skipping " +url+":"+e); }
        url = null;
      }
      if (url != null) {                          // 如果合法，则解析该URL
        value.set(url);                           // 将合法的URL收集到Text value对象中

         // 其中，org.apache.nutch.crawl.CrawlDatum类中定义了URL的各种可以设置的状态，可以在该类的对象中设置与URL相关的有用的信息，比如注入状态、抓取间隔时间，抓取时间、得分等等

        CrawlDatum datum = new CrawlDatum(CrawlDatum.STATUS_INJECTED, interval);
        datum.setFetchTime(curTime);
        datum.setScore(scoreInjected);
        try {
          scfilters.injectedScore(value, datum);
        } catch (ScoringFilterException e) {
          if (LOG.isWarnEnabled()) {
            LOG.warn("Cannot filter injected score for url " + url +
                     ", using default (" + e.getMessage() + ")");
          }
          datum.setScore(scoreInjected);
        }
        output.collect(value, datum); // 收集key/value对，并输出结果
      }
    }
}

 

从上面InjectMapper类的实现可以看出，其中包含的key应该是URL本身，而value则是与注入的URL对应的信息，比如URL当前状态信息(是否已经抓取过，或者不需要抓取)等等。

接着再看InjectReducer类，它实现了Reduce操作，代码如下所示：

  /** 为一个URL合并多个新的入口. */
public static class InjectReducer implements Reducer {
    public void configure(JobConf job) {}    
    public void close() {}

    public void reduce(WritableComparable key, Iterator values,
                       OutputCollector output, Reporter reporter)
      throws IOException { // reduce函数的实现也是核心的
      CrawlDatum old = null;
      CrawlDatum injected = null;
      while (values.hasNext()) { // 根据Map任务映射得到的迭代器，进行遍历得到的中间结果
        CrawlDatum val = (CrawlDatum)values.next();
        if (val.getStatus() == CrawlDatum.STATUS_INJECTED) { // 如果某个URL已经注入到CrawlDB
          injected = val;
          injected.setStatus(CrawlDatum.STATUS_DB_UNFETCHED); // 则设置这个URL对应的页面不用进行抓取
        } else {
          old = val; // 否则如果没有注入过，则需要对该URL对应的页面进行抓取
        }
      }
      CrawlDatum res = null;
      if (old != null) res = old; // 不要重写已经存在的value
      else res = injected;

      output.collect(key, res); // 收集key/value对；合并的最终结果是，使得将要注入到CrawlDB中URL没有重复的
    }
}

 
实现注入的操作是Injector类的inject()方法中，如下所示：

 public void inject(Path crawlDb, Path urlDir) throws IOException {

    if (LOG.isInfoEnabled()) {
      LOG.info("Injector: starting");
      LOG.info("Injector: crawlDb: " + crawlDb);
      LOG.info("Injector: urlDir: " + urlDir);
    }

    Path tempDir =
      new Path(getConf().get("mapred.temp.dir", ".") +
               "/inject-temp-"+
               Integer.toString(new Random().nextInt(Integer.MAX_VALUE))); // 临时目录用来存放MapReduce工作中生成的中间结果数据的

    // map text input file to a  file
    if (LOG.isInfoEnabled()) {
      LOG.info("Injector: Converting injected urls to crawl db entries.");
    }
    JobConf sortJob = new NutchJob(getConf());
    sortJob.setJobName("inject " + urlDir);
    sortJob.setInputPath(urlDir);
    sortJob.setMapperClass(InjectMapper.class);

    sortJob.setOutputPath(tempDir);
    sortJob.setOutputFormat(SequenceFileOutputFormat.class);
    sortJob.setOutputKeyClass(Text.class);
    sortJob.setOutputValueClass(CrawlDatum.class);
    sortJob.setLong("injector.current.time", System.currentTimeMillis());
    JobClient.runJob(sortJob);

    // merge with existing crawl db
    if (LOG.isInfoEnabled()) {
      LOG.info("Injector: Merging injected urls into crawl db.");
    }
    JobConf mergeJob = CrawlDb.createJob(getConf(), crawlDb);
    mergeJob.addInputPath(tempDir);
    mergeJob.setReducerClass(InjectReducer.class);
    JobClient.runJob(mergeJob);
    CrawlDb.install(mergeJob, crawlDb);

    // 删除临时文件
    FileSystem fs = new JobClient(getConf()).getFs();
    fs.delete(tempDir);
    if (LOG.isInfoEnabled()) { LOG.info("Injector: done"); }

}

 

该方法比较容易理解，在这里安装CrawlDB了，从而真正地将URLs注入到CrawlDB中了，更新crawldb目录中的数据。

要想执行inject操作，需要启动，这是在Injector类中的run()方法中启动的，如下所示：

  public int run(String[] args) throws Exception {
    if (args.length < 2) { // 根据命令行进行启动
      System.err.println("Usage: Injector  ");
      return -1;
    }
    try {
      inject(new Path(args[0]), new Path(args[1])); // 调用inject()方法
      return 0;
    } catch (Exception e) {
      LOG.fatal("Injector: " + StringUtils.stringifyException(e));
      return -1;
    }
}

 

最后，就是在main主函数中：

   public static void main(String[] args) throws Exception {
    int res = new Injector().doMain(NutchConfiguration.create(), args);
    System.exit(res);
}

 

其中，doMain()方法是在org.apache.hadoop.util.ToolBase抽象类中实现的，就是通过ToolRunner工具启动工作，如下所示：

 

 public final int doMain(Configuration conf, String[] args) throws Exception {
    return ToolRunner.run(conf, this, args);
}

 

启动inject操作，实际所做的工作就是对URL进行预处理，检查每个初始化URL的合法性，从而更新到CrawlDB中。待inject操作完成之后，就可以执行后继操作了——应该是生成抓取列表(generate操作)。