您的位置:首页 > 其它

Heritrix源码分析(十四) 如何让Heritrix不间断的抓取(转)

2013-07-19 15:44 399 查看
欢迎加入Heritrix群(QQ):109148319,10447185, Lucene/Solr群(QQ) : 118972724

本博客已迁移到本人独立博客: http://www.yun5u.com/

近段时间在搞定Lucene的一些问题,所以Heritrix源码分析暂时告一段落。今天下午在群里有同学提到了Heritrix异常终止的问题以及让Heritrix不停的抓取(就是抓完一遍后载入种子继续抓取,目前他是写个定时器,定时检查Heritrix是否停止,如果停止了则重新初始化Heritrix,让Heritrix重新抓取,但这个方法就不可避免的会导致抓取重复URl,除非从recover.gz导入)。我想这2个问题都可以用我下面这个方法,但对于Heritrix异常终止的问题这个方法也只是治标不治本,要改动的地方蛮多,涉及到Heritrix的设计以及结构,不是一时可以完成。下面就介绍原理以及方法:

1.原理:

Heritrix的自然停止(就是非人为以及不可抗力因素,如Web UI界面出发停止命令)的依据是判断调度器里面是否还有URL可抓取,如果没有则当前线程退出,如果是单线程抓取的话,则也意味着Heritrix的结束。如果是多线程抓取的话,则每个线程在获取不到URL的时候都会置不在活动状态,当最后一个活动状态线程也获取不到URL的时候则Heritrix也会进入自然停止。所以我们可以在判断Heritrix是否还有URL可抓取的时候做一些处理,比较简单的方法就是重新载入种子以及唤醒所有抓取线程。但由于处在多线程抓取模式中,每个线程都会判断,如此会导致多次载入种子,造成不必要的浪费,所以这里也要做一些同步控制。不要导致过分载入种子,而是每抓完一次则重新载入种子。

2.方法:

修改org.archive.crawler.frontier.WorkQueueFrontier中的public CrawlURI next()方法,这里也对该方法做一些介绍,具体请看源码注释,改成如下,红色部分为改动部分:

Java代码


/**

* 从调度中心获取下一个要抓取的URL

*

*/

public CrawlURI next() throws InterruptedException, EndedException {

while (true) {//一直不停的循环,直到遇到异常或终止

<span style="color: #ff0000;">// 郭芸修改,用于当队列里没有可抓取的URL的时候去获取种子继续

synchronized (this) {

if (this.controller.getFrontier().isEmpty()) { //如果没有可抓取的URL

loadSeeds(); //重新载入种子

this.controller.getToePool().notifyAll(); //唤醒所有抓取线程

}

}</span>

long now = System.currentTimeMillis();//开始获取时间

// 检查是否有暂停命令、结束命令以及宽带控制,这里会导致Heritrix结束

preNext(now);

/*

* 允许最多一个线程去填充准备队列(readyClassQueues)

*/

if (readyFiller.tryAcquire()) {// 表示没有线程去使用当前变量,当前类1次只允许1个线程同时使用

try {

// 空闲队列数=目标队列数-准备队列数

int activationsNeeded = targetSizeForReadyQueues()

- readyClassQueues.size();

// 如果空闲队列数大于0,并且不在活动状态的队列数不是空的,则表示需要将不在活动状态的队列转移到准备队列

while (activationsNeeded > 0 && !inactiveQueues.isEmpty()) {

activateInactiveQueue();//将不在活动状态队列的URL转移一定数目到活动状态队列

activationsNeeded--;

}

} finally {

readyFiller.release();// 必须释放,这样下次才可以继续使用

}

}

WorkQueue readyQ = null;//准备工作队列

// 获取并移除此准备队列表示的队列的头部(即准备队列的第一个元素)如果该队列没有可用元素,则等待指定的时间,这里是1000毫秒也就是1秒

Object key = readyClassQueues.poll(DEFAULT_WAIT,TimeUnit.MILLISECONDS);// 获得classKey,然后再通过classKey去获得队列

if (key != null) {

readyQ = (WorkQueue) this.allQueues.get(key);// 获得工作队列WorkQueue

}

if (readyQ != null) {

while (true) { // 一直循环,直到抛出异常或终止

CrawlURI curi = null;

synchronized (readyQ) {//锁定准备队列,让其他线程无法获取,避免脏读

curi = readyQ.peek(this); // 从数据库pendingUrls中获取CrawlURI

if (curi != null) {

// 检查该curi是否属于不同的队列

String currentQueueKey = getClassKey(curi);

if (currentQueueKey.equals(curi.getClassKey())) {

//在正确的队列,排放它

noteAboutToEmit(curi, readyQ);

inProcessQueues.add(readyQ);// 加入已处理队列

return curi;

}

curi.setClassKey(currentQueueKey);

readyQ.dequeue(this); //从调度器中删除刚获取到的URL

decrementQueuedCount(1); //计数

curi.setHolderKey(null);

} else {

readyQ.clearHeld();

break;

}

}

if (curi != null) {

sendToQueue(curi); //将获取到的URL发送到它该属于的队列

}

}

} else {

if (key != null) {

logger.severe("Key " + key

+ " in readyClassQueues but not allQueues");

}

}

//如果该强烈退出,则抛异常结束循环

if (shouldTerminate) {

throw new EndedException("shouldTerminate is true");

}

//如果没有处理中的队列,则刷新该队列

if (inProcessQueues.size() == 0) {

this.alreadyIncluded.requestFlush();

}

}

}
内容来自用户分享和网络整理,不保证内容的准确性,如有侵权内容,可联系管理员处理 点击这里给我发消息
标签: 
相关文章推荐