1. Fetcher模块的简单介绍
Fetcher这个模块在Nutch中有单独一个包在实现,在org.apache.nutch.fetcher,其中有Fetcher.java, FetcherOutput 和FetcherOutputFormat来组成,看上去很简单,但其中使用到了多线程,多线程的生产者与消费者模型,MapReduce的多路径输出等方法。
下面我们来看一下Fetcher的注释,从中我们可以得到很多有用的信息。
首先,这是一种基于队列的fetcher方法,它使用了一种经典的线程模型,生产者(a-QueueFeeder)与消费者(many-FetcherThread)模型,注意,这里有多个消费者。生产者从Generate产生的fetchlists中分类得到一批FetchItemQueue,每一个FetchItmeQueue都是由一类相同host的FetchItem组成,这些FetchItem是用来描述被抓取的对象。当一个FetchItem从FetchItemQueue中取出后,QueueFeeder这个生产者会不断的向队列中加入新的FetchItem,直到这个队列满了为止或者已经没有fetchlist可读取,当队列中的所有FetchItem都被抓取完成后,所有抓取线程都会退出运行。每一个FetchItemQueue都有一套自己的抓取策略,如最大的并行抓取个数,两次抓取的间隔等,如果当FetcherThread向队列申请一个FetchItem时,FetchItemQueue发现当前的FetchItem没有满足抓取策略,那这里它就会返回null,表达当前FetchItem还没有准备好被抓取。如果这些所有FetchItem都没有准备好被抓取,那这时FetchThread就会进入等待状态,直到条件满足被促发或者是等待超时,它会认为任务已经被挂起,这时FetchThread会自动退出。
2. FetcherOutputFormat的介绍
这个类是用来把FetcherOutput对象切分到不同的Map文件中的,也就是说它会根据对象的类型来判断输出到哪一个文件中,这里用到了一个多文件的输出。
FetcherOutputFormat继承自MapReduce框架的OutputFormat模板,其输出的<key,value>类型为<Text,NutchWritable>。
这里的OutputFormat定义了Map-Reduce任务的输出描述,Map-Reduce框架依赖任务的OutputFormat来做如下二件事情,一是用来验证输出源的可用性,如是否已经建立了相应的目录,数据库是否已经连上;另一件事是提供RecordWriter抽象来对数据进行写出到特定的数据源,一般输出文件定义在FileSystem里面。
FetcherOutputFormat主要是实现了getRecordWriter这个方法,用于得到相应的数据写出对象,我们来分析一下其源代码:
- public RecordWriter<Text, NutchWritable> getRecordWriter(final FileSystem fs,
- final JobConf job,
- final String name,
- final Progressable progress) throws IOException {
- // 定义输出目录
- Path out = FileOutputFormat.getOutputPath(job);
- // 定义抓取的输出目录
- final Path fetch = new Path(new Path(out, CrawlDatum.FETCH_DIR_NAME), name);
- // 定义抓取内容的输出目录
- final Path content = new Path(new Path(out, Content.DIR_NAME), name);
- // 定义数据压缩格式
- final CompressionType compType = SequenceFileOutputFormat.getOutputCompressionType(job);
-
-
- // 定义抓取的输出抽象类
- final MapFile.Writer fetchOut =
- new MapFile.Writer(job, fs, fetch.toString(), Text.class, CrawlDatum.class,
- compType, progress);
-
- // 这里使用了inner class来定义相应的RecordWriter
- return new RecordWriter<Text, NutchWritable>() {
- private MapFile.Writer contentOut;
- private RecordWriter<Text, Parse> parseOut;
-
-
- {
- // 这里看如果Fetcher定义了输出内容,就生成相应的Content输出抽象
- if (Fetcher.isStoringContent(job)) {
- contentOut = new MapFile.Writer(job, fs, content.toString(),
- Text.class, Content.class,
- compType, progress);
- }
- // 如果Fetcher对抓取的内容进行了解析,这里就定义相应的解析输出抽象
- // 注意这里使用了ParseOutputFormat的getReocrdWriter,主要是解析网页,抽取其外链接
- if (Fetcher.isParsing(job)) {
- parseOut = new ParseOutputFormat().getRecordWriter(fs, job, name, progress);
- }
- }
-
-
- public void write(Text key, NutchWritable value)
- throws IOException {
-
-
- Writable w = value.get();
- // 对对象类型进行判断,调用相应的抽象输出,写到不同的文件中去
- if (w instanceof CrawlDatum)
- fetchOut.append(key, w);
- else if (w instanceof Content)
- contentOut.append(key, w);
- else if (w instanceof Parse)
- parseOut.write(key, (Parse)w);
- }
-
-
- public void close(Reporter reporter) throws IOException {
- fetchOut.close();
- if (contentOut != null) {
- contentOut.close();
- }
- if (parseOut != null) {
- parseOut.close(reporter);
- }
- }
-
-
- };
3. 生产者QueueFeeder的介绍
这个类作用是用于生产被抓取的FetchItem对象,把其放入抓取队列中。下来我们来对其源代码进行分析
- // 这个类继承自Thread,是用一个单独的线程来做的
- private static class QueueFeeder extends Thread {
- private RecordReader<Text, CrawlDatum> reader; // 这里是InputFormat产生的ReocrdReader,用于读取Generate的产生的数据
- private FetchItemQueues queues; // 这是生产者与消费者所使用的共享队列,这个对列是分层的,分一层对应一个host
- private int size; // 队列的大小
- private long timelimit = -1; // 这是一个过滤机制的策略,用于过滤所有的FetchItem
-
- // 构造方法
- public QueueFeeder(RecordReader<Text, CrawlDatum> reader,
- FetchItemQueues queues, int size) {
- this.reader = reader;
- this.queues = queues;
- this.size = size;
- this.setDaemon(true);
- this.setName("QueueFeeder");
- }
-
- public void setTimeLimit(long tl) {
- timelimit = tl;
- }
-
-
- // 函数的run方法
- public void run() {
- boolean hasMore = true; // while的循环条件
- int cnt = 0;
- int timelimitcount = 0;
- while (hasMore) {
- // 这里判断是否设置了这个过滤机制,如果设置了,判断相前时间是否大于这个timelimit,如果大于timelimit,过滤所有的FetchItem
- if (System.currentTimeMillis() >= timelimit && timelimit != -1) {
- // enough .. lets' simply
- // read all the entries from the input without processing them
- try {
- // 读出<key,value>对,过滤之
- Text url = new Text();
- CrawlDatum datum = new CrawlDatum();
- hasMore = reader.next(url, datum);
- timelimitcount++;
- } catch (IOException e) {
- LOG.fatal("QueueFeeder error reading input, record " + cnt, e);
- return;
- }
- continue; // 过滤之
- }
- int feed = size - queues.getTotalSize();
- // 判断剩余的队列空间是否为0
- if (feed <= 0) {
- // queues are full - spin-wait until they have some free space
- try {
- // 休息1秒种
- Thread.sleep(1000);
- } catch (Exception e) {};
- continue;
- } else {
- LOG.debug("-feeding " + feed + " input urls ...");
- // 如果队列还有空间(feed>0)并且recordRedder中还有数据(hasMore)
- while (feed > 0 && hasMore) {
- try {
- Text url = new Text();
- CrawlDatum datum = new CrawlDatum();
- // 读出<key,value>
- hasMore = reader.next(url, datum);
- if (hasMore) { // 判断是否成功读出数据
- queues.addFetchItem(url, datum); // 放入对列,这个队列应该是thread-safe的,下面我们可以看到
- cnt++; // 统计总数
- feed--; // 剩余队列空间减1
- }
- } catch (IOException e) {
- LOG.fatal("QueueFeeder error reading input, record " + cnt, e);
- return;
- }
- }
- }
- }
- LOG.info("QueueFeeder finished: total " + cnt + " records + hit by time limit :"
- + timelimitcount);
- }
- }
这个类主要负责向队列中放数据。
4. 下面我们来看一下这个队列是如果工作的
这里的共享对列主要如三个类组成,一个是FetchItem,存储队列中的元素;另一个是FetchItemQueue,用于存储相同host的FetchItem,最后一个是FetchItemQueues,看名字我们就知道,这是用于存储所有的FetchItemQueue的。
4.1 先让我们来看一下FetchItem的结构:
- FetchItem =>
- {
- queueID:String, // 用于存储队列的ID号
- url:Text, // 用于存储CrawlDatum的url地址
- u:URL, // 也是存储url,但是以URL的类型来存储,不过我看了一下,这东东在判断RobotRules的时候用了一下
- datum:CrawlDatum // 这是存储抓取对象的一些元数据信息àà
- }
下面我们来看一下它的create方法,是用来生成相应的FetchItem的,源代码如下:
- //从注释中我们可以看到,队列ID是由protocol+hotname或者是protocol+IP组成的
- /** Create an item. Queue id will be created based on <code>byIP</code>
- * argument, either as a protocol + hostname pair, or protocol + IP
- * address pair.
- */
- public static FetchItem create(Text url, CrawlDatum datum, boolean byIP) {
- String queueID;
- URL u = null;
- try {
- u = new URL(url.toString()); // 得到其URL
- } catch (Exception e) {
- LOG.warn("Cannot parse url: " + url, e);
- return null;
- }
- // 得到协议号
- String proto = u.getProtocol().toLowerCase();
- String host;
- if (byIP) {
- // 如果是基于IP的,那得到其IP地址
- try {
- InetAddress addr = InetAddress.getByName(u.getHost());
- host = addr.getHostAddress();
- } catch (UnknownHostException e) {
- // unable to resolve it, so don't fall back to host name
- LOG.warn("Unable to resolve: " + u.getHost() + ", skipping.");
- return null;
- }
- } else {
- // 否则得到Hostname
- host = u.getHost();
- if (host == null) {
- LOG.warn("Unknown host for url: " + url + ", skipping.");
- return null;
- }
- hosthost = host.toLowerCase(); // 统一变小写
- }
- // 得成相应的队列ID号,放入FetchItemQueue中
- queueID = proto + "://" + host;
- return new FetchItem(url, u, datum, queueID);
- }
4.2 下面我们来看一下FetchQueue的组成结构
这个类主要是用于收集相同QueueID的FetchItem对象,对正在抓取的FetchItem进行跟踪,使用的是一个inProgress集合,还有计算两次请求的间隔时间,我们来看一下其结构:
- FetchQueue =>
- {
- // 用于收集相同QueueID的FetchItem, 这里使用的是线程安全的对象
- List<FetchItem> queue = Collections.synchronizedList(new LinkedList<FetchItem>());
- // 用于收集正在抓取的FetchItem
- Set<FetchItem> inProgress = Collections.synchronizedSet(new HashSet<FetchItem>());
- // 用于存储下一个FetchItem的抓取时候,如果没有到达这个时间,就返回给FetchThread为null
- AtomicLong nextFetchTime = new AtomicLong();
- // 存储抓取的出错次数
- AtomicInteger exceptionCounter = new AtomicInteger();
- // 存储FetchItem抓取间隔,这个配置只有当同时抓取最大线程数为1时才有用
- long crawlDelay;
- // 存储最小的抓取间隔,这个配置当同时抓取的最大线程数大于1时有用
- long minCrawlDelay;
- // 同时抓取的最大线程数
- int maxThreads;
- Configuration conf;
- }
我们主要还看一下其getFetchItem方法:
- public FetchItem getFetchItem() {
- // 当正在抓取的FetchItem数大于同时抓取的线程数时,返回null,这是一个politness策略
- // 就是对于同一个网站,不能同时有大于maxThreads个线程在抓取,不然人家网站会认为你是在攻击它
- if (inProgress.size() >= maxThreads) return null;
- long now = System.currentTimeMillis();
- // 计算两个抓取的间隔时间,如果没有到达这个时间,就返回null,这个是保证不会有多个线程同时在抓取一个网站
- if (nextFetchTime.get() > now) return null;
- FetchItem it = null;
- // 判断队列是否为空
- if (queue.size() == 0) return null;
- try {
- // 从准备队列中移除一个FetchItem,把其放到inProcess集合中
- it = queue.remove(0);
- inProgress.add(it);
- } catch (Exception e) {
- LOG.error("Cannot remove FetchItem from queue or cannot add it to inProgress queue", e);
- }
- return it;
- }
这里还有一个方法是finishFetchItem,就是当这个FetchItem被抓了完成后,会调用这个方法,这个方法会把这个FetchTime从inProgress集合中删除,然后再更新一下nextFetchTime,nextFetchTime = endTime + (maxThread > 1) ? minCrawlDelay : crawlDelay)
4.3 下面再来看一下FetchItemQueues
这个类主要是用来管理FetchItemQueue,下面介绍一下其主要的几个方法:
- synchronized addFetchItem(FetchItem it): 是用来把FetchItem根据其QueueID号放到对应的FetchItemQueue中
- synchronized getFetchItem() : 它是遍历FetchItemQueue,从中得到一个FetchItem,如果没有就返回null
- synchronized checkExceptionThreshold : 用于查看特定FetchItemQueue的抓取失败次数,当这个次数大于maxExceptionsPerQueue时,就清空这个FetchItemQueue中的其它FetchItem.
5. 总结
这里我们看了一下Fetcher的抓取模型和其中使用的一些主要的类结构,还有FetcherOutputFormat的多文件轮子,下来我会对FetcherThread进行分析。