Linux企业级项目实践之网络爬虫（8）——认识URL

URL是Uniform Resource Location的缩写，译为“统一资源定位符”。也可以说，URL是Internet上用来描述信息资源的字符串，主要用在各种WWW客户程序和服务器程序上。采用URL可以用一种统一的格式来描述各种信息资源，包括文件、服务器的地址和目录等。URL的格式由三部分组成：第一部分是协议(或称为服务方式)。第二部分是存有该资源的主机IP地址，包括端口号，默认为80。第三部分是主机资源的具体地址，即目录和文件名。
爬虫系统要处理的URL
在这里，爬虫系统要处理的URL是指使用超文本传输协议HTTP的URL，其端口号默认是80。第三部分是Web服务器上资源的具体地址，即相对路径。一般来说，在Web页面上提取出来的URL，如果是这个站点内部的，那么多是相对地址，而且可能要进行URL编码，所以要采用过滤技术，把这些不规范的URL进行解码，规范化。
进行URL的调度：
爬虫程序在分析页面时，会提取出来各种URL，比如，这个站点内的，或这个站点外的，甚至失效的URL。那么，对于这些不同的URL，同爬行算法一致，它们的优先级应该是各不相同的，哪一个的DNS请求已经获得到并可以立即进行连接？哪一个是失效的、错误的，应该立即丢弃掉？或者哪一个是从高优先级空间中得到的，应该无条件的，以高优先的状态进行连接，都是需要进行合理，稳妥，高效的调度。
解决方案：
首先，应该明确，这里所有的URL都应该是优先级清晰的。否则，所有URL调度将因为没有级别权重、优先顺序而变的混乱不堪。其次，应该设置合适的存储空间，不能把所有的URL都堆积到一块，那样既谈不到优先级清晰，更不要说快速提取。那么，解决方案如下：
采用URL的多级存储架构。
给每一级结构都分配不同的调度优先级。
各个级别的结构之间进行合适的数据通信。

void push_surlqueue(Surl *url)
{
if (url != NULL && surl_precheck(url)) {
SPIDER_LOG(SPIDER_LEVEL_DEBUG, "I want this url: %s", url->url);
pthread_mutex_lock(&sq_lock);
surl_queue.push(url);
if (surl_queue.size() == 1)
pthread_cond_signal(&sq_cond);
pthread_mutex_unlock(&sq_lock);
}
}

Url * pop_ourlqueue()
{
Url *url = NULL;
pthread_mutex_lock(&oq_lock);
if (!ourl_queue.empty()) {
url = ourl_queue.front();
ourl_queue.pop();
pthread_mutex_unlock(&oq_lock);
return url;
} else {
int trynum = 3;
struct timespec timeout;
while (trynum-- && ourl_queue.empty()) {
get_timespec(&timeout, 500); /* 0.5s timeout*/
pthread_cond_timedwait(&oq_cond, &oq_lock, &timeout);
}

if (!ourl_queue.empty()) {
url = ourl_queue.front();
ourl_queue.pop();
}
pthread_mutex_unlock(&oq_lock);
return url;
}
}