Nutch 1.3 源码分析 ParseSegment

1. bin/nutch parse

这个命令主要是用来解析抓取的内容，对其进行外链接分析，计算分数等操作，这个解析在抓取的时候就可以设置是否进行，如果在抓取的时候没有设置解析抓取的网页内容，那这边可以单独用一个Map-Reduce任务来做。
后面的参数为：Usage: ParseSegment segment
这里是一个segment的目录名

2. ParseSegment源代码分析

2.1 任务的启动

ParseSegment任务的启动也是用一个Map-Reduce任务的，下面是它的源代码

 // 配置一个Job
 JobConf job = new NutchJob(getConf());
    job.setJobName("parse " + segment);


    // add content directory to FileInputFormat path
 // 把segment目录下的content目录加入输入路径中
    FileInputFormat.addInputPath(job, new Path(segment, Content.DIR_NAME));
    job.set(Nutch.SEGMENT_NAME_KEY, segment.getName());
    // set input format
 // 设置输入格式
    job.setInputFormat(SequenceFileInputFormat.class);
 // 设置Map-Reduce方法
    job.setMapperClass(ParseSegment.class);
    job.setReducerClass(ParseSegment.class);

 // 设置输出路径
    FileOutputFormat.setOutputPath(job, segment);
    // Parse Output Format to output
 // 设置输出格式
    job.setOutputFormat(ParseOutputFormat.class);
 // 设置输出的<key,value>类型<Text,ParseImpl>
    job.setOutputKeyClass(Text.class);
 // NOTE：这里注意一下，输出的value为ParseImpl，而ParseOutputFormat的输出为Parse，
 // 这里的ParseImpl是实现Parse接口的，是is-a的关系
    job.setOutputValueClass(ParseImpl.class);


    JobClient.runJob(job);

2.2 ParseSegment类中的Map与Reduce分析

这个类主要是用来分析content中的内容，它实现了Mapper与Reducer接口
在Mapper中，主要是对content内容进行调用相应的插件进行解析，产生一个ParseResult，再遍历这个ParseResult,把其中解析出来的内容collect出去。这个ParseResult是一个收集解析结果的容器，其元素为<Text,Parse>对，这里解析可能产生多个这样的输出元素对，因为这里可能有多个内容与原url进行关联，所以就有可能产生多个<Text,Parse>输出
这里的Reduce很有趣，只是收集第一个<Text,Parse>对，还不知道是为什么，可能是因为它认为第一个<Text,Parse>的权重最大吧。如果有谁知道的，请告诉我一下。

2.3 ParseOutputFormat的分析

我们知道，在写关于Map-Reduce的时候，有时我们想自己控制输出的源，这里你就要实现其架构提供的OutputFormat，前提是你没有找到合适的输出方法，因为Hadoop框架提出了几个常用的OutputFormat方法。
在实现的OutputFormat接口，主要是实现一个叫getRecordWriter，这个方法返回一个自定义的RecordWriter的子类，用用于写出Reducer的输出<key,value>对，注意一下，在Hadoop架构中，一个<key,value>也叫一条记录。


下面我们来分析一下这个getReocrdWriter方法，源代码如下：
呵呵，不要被吓到，一步步分析，老外的代码还是很好看的

 public RecordWriter<Text, Parse> getRecordWriter(FileSystem fs, JobConf job,
                                      String name, Progressable progress) throws IOException {


 // 这里根据配置生成一个url过滤器
    this.filters = new URLFilters(job);
 // 这里生成一个url的规格化对象
    this.normalizers = new URLNormalizers(job, URLNormalizers.SCOPE_OUTLINK);
 // 这里生成一个分数计算器
    this.scfilters = new ScoringFilters(job);
 // 配置url的抓取间隔
    final int interval = job.getInt("db.fetch.interval.default", 2592000);
 // 得到是否要解析外链接
    final boolean ignoreExternalLinks = job.getBoolean("db.ignore.external.links", false);
 // 得到每一个网页外链接的解析个数,默认是100个，
    int maxOutlinksPerPage = job.getInt("db.max.outlinks.per.page", 100);
    final int maxOutlinks = (maxOutlinksPerPage < 0) ? Integer.MAX_VALUE
                                                     : maxOutlinksPerPage;


 // 设置输出的压缩方法
    final CompressionType compType = SequenceFileOutputFormat.getOutputCompressionType(job);
 // 设置输出的路径
    Path out = FileOutputFormat.getOutputPath(job);

 // 这里是得到输出的三个目录名，crawl_parse,parse_data,parse_text
    Path text = new Path(new Path(out, ParseText.DIR_NAME), name);
    Path data = new Path(new Path(out, ParseData.DIR_NAME), name);
    Path crawl = new Path(new Path(out, CrawlDatum.PARSE_DIR_NAME), name);

 // 得到元数据的解析配置
    final String[] parseMDtoCrawlDB = job.get("db.parsemeta.to.crawldb","").split(" *, *");

 // 生成parse_text目录的输出方法
    final MapFile.Writer textOut =
      new MapFile.Writer(job, fs, text.toString(), Text.class, ParseText.class,
          CompressionType.RECORD, progress);

 // 生成parse_data目录的输出方法
    final MapFile.Writer dataOut =
      new MapFile.Writer(job, fs, data.toString(), Text.class, ParseData.class,
          compType, progress);


    // 生成crawl_parse的输出方法
    final SequenceFile.Writer crawlOut =
      SequenceFile.createWriter(fs, job, crawl, Text.class, CrawlDatum.class,
          compType, progress);

 // 这里使用了inner class
    return new RecordWriter<Text, Parse>() {


     // 实现writer方法，写出<key,value>到指定的输出源
        public void write(Text key, Parse parse)
          throws IOException {

          String fromUrl = key.toString();
          String fromHost = null;
          String toHost = null;
       // 输出解析后的文本到parse_text目录
          textOut.append(key, new ParseText(parse.getText()));

          ParseData parseparseData = parse.getData();
       // 这里抓取的网页内容是否有唯一的标记，如果有的话，用这个标记再生成一个CrawlDatum，
       // 输出到crawl_parse目录去
          // recover the signature prepared by Fetcher or ParseSegment
          String sig = parseData.getContentMeta().get(Nutch.SIGNATURE_KEY);
          if (sig != null) {
            byte[] signature = StringUtil.fromHexString(sig);
            if (signature != null) {
              // append a CrawlDatum with a signature
              CrawlDatum d = new CrawlDatum(CrawlDatum.STATUS_SIGNATURE, 0);
              d.setSignature(signature);
              crawlOut.append(key, d); // 输出到crawl_parse目录中去
            }
          }

        // see if the parse metadata contain things that we'd like
        // to pass to the metadata of the crawlDB entry
     // 查看解析的内容中是否包括设置的元数据信息，如果包含定义的元数据，
     // 那就新生成一个CrawlDatum，输出到crawl_parse目录
        CrawlDatum parseMDCrawlDatum = null;
        for (String mdname : parseMDtoCrawlDB) {
          String mdvalue = parse.getData().getParseMeta().get(mdname);
          if (mdvalue != null) {
            if (parseMDCrawlDatum == null) parseMDCrawlDatum = new CrawlDatum(
                CrawlDatum.STATUS_PARSE_META, 0);
            parseMDCrawlDatum.getMetaData().put(new Text(mdname),
                new Text(mdvalue));
          }
        }
     // 输出新生成的CrawlDatum
        if (parseMDCrawlDatum != null) crawlOut.append(key, parseMDCrawlDatum);


     // 这一块是处理页面的重定向的，如果当前url被重定向的了，并且这个重定向后的url没有被过滤
     // 那新生成一个CrawlDatum，输出到crawl_parse目录
          try {
            ParseStatus pstatus = parseData.getStatus();
            if (pstatus != null && pstatus.isSuccess() &&
                pstatus.getMinorCode() == ParseStatus.SUCCESS_REDIRECT) {
              String newUrl = pstatus.getMessage();
              int refreshTime = Integer.valueOf(pstatus.getArgs()[1]);
              try {
                newUrl = normalizers.normalize(newUrl,
                    URLNormalizers.SCOPE_FETCHER);
              } catch (MalformedURLException mfue) {
                newUrl = null;
              }
              if (newUrl != null) newUrl = filters.filter(newUrl);
              String url = key.toString();
              if (newUrl != null && !newUrl.equals(url)) {
                String reprUrl =
                  URLUtil.chooseRepr(url, newUrl,
                                     refreshTime < Fetcher.PERM_REFRESH_TIME);
                CrawlDatum newnewDatum = new CrawlDatum();
                newDatum.setStatus(CrawlDatum.STATUS_LINKED);
                if (reprUrl != null && !reprUrl.equals(newUrl)) {
                  newDatum.getMetaData().put(Nutch.WRITABLE_REPR_URL_KEY,
                                             new Text(reprUrl));
                }
                crawlOut.append(new Text(newUrl), newDatum);
              }
            }
          } catch (URLFilterException e) {
            // ignore
          }


       // 这一块主要是处理外链接的
          // collect outlinks for subsequent db update
          Outlink[] links = parseData.getOutlinks();
       // 得到要存储的外链接数量
          int outlinksToStore = Math.min(maxOutlinks, links.length);
          if (ignoreExternalLinks) {
            try {
             // 得到当前url的host
              fromHost = new URL(fromUrl).getHost().toLowerCase();
            } catch (MalformedURLException e) {
              fromHost = null;
            }
          } else {
            fromHost = null;
          }


     // 这一块主要是对链接进行过滤，规格化
          int validCount = 0;
          CrawlDatum adjust = null;
          List<Entry<Text, CrawlDatum>> targets = new ArrayList<Entry<Text, CrawlDatum>>(outlinksToStore);
          List<Outlink> outlinkList = new ArrayList<Outlink>(outlinksToStore);
          for (int i = 0; i < links.length && validCount < outlinksToStore; i++) {
            String toUrl = links[i].getToUrl();
            // ignore links to self (or anchors within the page)
            if (fromUrl.equals(toUrl)) {
              continue;
            }
            if (ignoreExternalLinks) {
              try {
                toHost = new URL(toUrl).getHost().toLowerCase();
              } catch (MalformedURLException e) {
                toHost = null;
              }
              if (toHost == null || !toHost.equals(fromHost)) { // external links
                continue; // skip it
              }
            }
            try {
              toUrl = normalizers.normalize(toUrl,URLNormalizers.SCOPE_OUTLINK); // normalize the url
              toUrl = filters.filter(toUrl);   // filter the url
              if (toUrl == null) {
                continue;
              }
            } catch (Exception e) {
              continue;
            }


         // 生成新的CrawlDatum，初始化其抓取间隔与分数
            CrawlDatum target = new CrawlDatum(CrawlDatum.STATUS_LINKED, interval);
            Text targetUrl = new Text(toUrl);
            try {
              scfilters.initialScore(targetUrl, target);
            } catch (ScoringFilterException e) {
              LOG.warn("Cannot filter init score for url " + key +
                       ", using default: " + e.getMessage());
              target.setScore(0.0f);
            }

         //放入目标容器，用于后面计算每一个外链接的分数
            targets.add(new SimpleEntry(targetUrl, target));
            outlinkList.add(links[i]);
            validCount++;
          }
          try {
            // compute score contributions and adjustment to the original score
         // 计算每一个外链接的贡献值，用来调整原url的分数
            adjust = scfilters.distributeScoreToOutlinks((Text)key, parseData,
                      targets, null, links.length);
          } catch (ScoringFilterException e) {
            LOG.warn("Cannot distribute score from " + key + ": " + e.getMessage());
          }
       // 输出链接到crawl_parse目录中
          for (Entry<Text, CrawlDatum> target : targets) {
            crawlOut.append(target.getKey(), target.getValue());
          }
       // 看源url是否有调整，有的话就输出到crawl_parse目录中
          if (adjust != null) crawlOut.append(key, adjust);


         // 得到过滤后的外链接
          Outlink[] filteredLinks = outlinkList.toArray(new Outlink[outlinkList.size()]);
       // 生成新的ParseData对象
          parseData = new ParseData(parseData.getStatus(), parseData.getTitle(),
                                    filteredLinks, parseData.getContentMeta(),
                                    parseData.getParseMeta());
       // 写出到parse_data目录中
          dataOut.append(key, parseData);
       // 判断解析的数据是否来由当前原url,如果不是，那新生成一个CrawlDatum,输出到crawl_parse目录中
          if (!parse.isCanonical()) {
            CrawlDatum datum = new CrawlDatum();
            datum.setStatus(CrawlDatum.STATUS_FETCH_SUCCESS);
            String timeString = parse.getData().getContentMeta().get(Nutch.FETCH_TIME_KEY);
            try {
              datum.setFetchTime(Long.parseLong(timeString));
            } catch (Exception e) {
              LOG.warn("Can't read fetch time for: " + key);
              datum.setFetchTime(System.currentTimeMillis());
            }
            crawlOut.append(key, datum);
          }
        }

3. 总结
这里主要看了一下ParseSegment的实现流程和分析了一下其源代码，其中用到了OutputFormat的多路输出方法，这里还实现了对于源链接分数的调整算法，使用了插件中的一个叫scoring-opic的插件，叫OPICScoringFilter，全称叫Online Page Importance Computation。