开源爬虫larbin分析

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

http://larbin.sourceforge.net/index-eng.html

b. larbin的配置和使用
http://www.cnblogs.com/zhangchaoyang/articles/2031954.html

c. 从larbin看互联网爬虫设计
http://www.oschina.net/question/12_4114

d. Linux网络编程入门
http://www.cnblogs.com/duzouzhe/archive/2009/06/19/1506699.html

e. adns官网
http://ftp.gnu.org/gnu/adns/