Nutch 1.3 学习笔记 7 CrawlDb - updatedb

来源：互联网发布：xp开启80端口 cmd 编辑：程序博客网时间：2024/06/07 07:25
分类： Nutch2011-08-28 23:33 418人阅读评论(3) 收藏举报
Nutch 1.3 学习笔记 7 CrawlDb - updatedb
------------------------------
这里主要看一下CrawlDb中的updatedb，它主要是用来更新CrawlDb数据库的

1. bin/nutch updatedb
我们用nutch的命令行时会看到一个方法叫updatedb，其实这个方法就是调用CrawlDb.java类中的update方法，它的参数帮助如下：
[html] view plaincopy
Usage: CrawlDb <crawldb> (-dir <segments> | <seg1> <seg2> ...) [-force] [-normalize] [-filter] [-noAdditions]  
    crawldb CrawlDb to update  
    -dir segments   parent directory containing all segments to update from  
    seg1 seg2 ...   list of segment names to update from  
    -force  force update even if CrawlDb appears to be locked (CAUTION advised)  
    -normalize  use URLNormalizer on urls in CrawlDb and segment (usually not needed)  
    -filter use URLFilters on urls in CrawlDb and segment  
    -noAdditions    only update already existing URLs, don't add any newly discovered URLs  


2. 下面我们来分析一下其update方法到底做了些什么2.1 update的任务提交参数，部分代码如下[html] view plaincopy
// 生成一个新的任务,这里面也做了一些相应的配置，  
    // 加入了current目录，就是初始的CrawlDb目录，设置了输入格式为SequenceFileInputFormat  
    // 配置了Map-Reducer为CrawlDbFilter-CrawlDbReducer  
    // 配置了输出格式为MapFileOutputFormat  
    // 还配置了输出的<key,value>类型<Text,CrawlDatum>  
    JobConf job = CrawlDb.createJob(getConf(), crawlDb);  
    // 配置一些参数  
    job.setBoolean(CRAWLDB_ADDITIONS_ALLOWED, additionsAllowed);  
    job.setBoolean(CrawlDbFilter.URL_FILTERING, filter);  
    job.setBoolean(CrawlDbFilter.URL_NORMALIZING, normalize);  
    // 加入输入目录，一个是crawl_fetch,另一个是crawl_parse  
    for (int i = 0; i < segments.length; i++) {  
      Path fetch = new Path(segments[i], CrawlDatum.FETCH_DIR_NAME);  
      Path parse = new Path(segments[i], CrawlDatum.PARSE_DIR_NAME);  
      if (fs.exists(fetch) && fs.exists(parse)) {  
        FileInputFormat.addInputPath(job, fetch);  
        FileInputFormat.addInputPath(job, parse);  
      } else {  
        LOG.info(" - skipping invalid segment " + segments[i]);  
      }  
    }  

2.2 分析一下其任务的Map-Reducer做了些什么CrawlDbFilter主要是对url进行过滤和正规化。
CrawlDbReducer主要是用来聚合相同url(老的与新产生的)的，这东东写得很复杂，下面来分析一下其源代码：
[html] view plaincopy
public void reduce(Text key, Iterator<CrawlDatum> values,  
                     OutputCollector<Text, CrawlDatum> output, Reporter reporter)  
    throws IOException {  
  
  
    CrawlDatum fetch = new CrawlDatum();  
    CrawlDatum old = new CrawlDatum();  
  
  
    boolean fetchSet = false;  
    boolean oldSet = false;  
    byte[] signature = null;  
    boolean multiple = false; // avoid deep copy when only single value exists  
    linked.clear();  
    org.apache.hadoop.io.MapWritable metaFromParse = null;  
      
    // 这个循环主要是遍历所有相同url的value(CrawlDatum)值，对old和fetch两个变量进行赋值。  
    // 和收集其外链接，把它们放入一个按分数排序的优先队列中去  
    while (values.hasNext()) {  
      CrawlDatum datum = (CrawlDatum)values.next();  
      // 判断是否要对CrawlDatum进行深度复制  
      if (!multiple && values.hasNext()) multiple = true;  
      // 判断CrawlDatum中是否有数据库相关的参数，如STATUS_DB_(UNFETCHED|FETCHED|GONE|REDIR_TEMP|REDIR_PERM|NOTMODIFIED)  
      if (CrawlDatum.hasDbStatus(datum)) {  
        if (!oldSet) {  
          if (multiple) {  
            old.set(datum);  
          } else {  
            // no need for a deep copy - this is the only value  
            old = datum;  
          }  
          oldSet = true;  
        } else {  
          // always take the latest version  
          // 总是得到最新的CrawlDatum版本  
          if (old.getFetchTime() < datum.getFetchTime()) old.set(datum);  
        }  
        continue;  
      }  
  
  
        // 判断CrawlDatum是否有关抓取的状态，如STATUS_FETCH_(SUCCESS|RETRY|REDIR_TEMP|REDIR_PERM|GONE|NOTMODIFIED)  
      if (CrawlDatum.hasFetchStatus(datum)) {  
        if (!fetchSet) {  
          if (multiple) {  
            fetch.set(datum);  
          } else {  
            fetch = datum;  
          }  
          fetchSet = true;  
        } else {  
          // always take the latest version  
          if (fetch.getFetchTime() < datum.getFetchTime()) fetch.set(datum);  
        }  
        continue;  
      }  
  
  
    // 根据CrawlDatum的状态来收集另一些信息  
      switch (datum.getStatus()) {                // collect other info  
          // 如果这个CrawlDatum是一个外链接，那放入一个优先队列中，按分数的降序来做  
      case CrawlDatum.STATUS_LINKED:  
        CrawlDatum link;  
        if (multiple) {  
          link = new CrawlDatum();  
          link.set(datum);  
        } else {  
          link = datum;  
        }  
        linked.insert(link);  
        break;  
      case CrawlDatum.STATUS_SIGNATURE:  
        // 得到其唯一ID号  
        signature = datum.getSignature();  
        break;  
      case CrawlDatum.STATUS_PARSE_META:  
        // 得到其元数据  
        metaFromParse = datum.getMetaData();  
        break;  
      default:  
        LOG.warn("Unknown status, key: " + key + ", datum: " + datum);  
      }  
    }  
      
    // copy the content of the queue into a List  
    // in reversed order  
    int numLinks = linked.size();  
    List<CrawlDatum> linkList = new ArrayList<CrawlDatum>(numLinks);  
    for (int i = numLinks - 1; i >= 0; i--) {  
      linkList.add(linked.pop());  
    }  
      
    // 如果这个CrawlDatum集合中没有数据库相关的状态(也就是说没有这个url的原始状态)或者配置了不添加外链接，直接返回  
    // if it doesn't already exist, skip it  
    if (!oldSet && !additionsAllowed) return;  
      
    // if there is no fetched datum, perhaps there is a link  
    // 如果这个CrawlDatum集合中没有和抓取相关的状态，并且外链接数量要大于0  
    if (!fetchSet && linkList.size() > 0) {  
      fetch = linkList.get(0); // 得到第一个外链接  
      fetchSet = true;  
    }  
      
    // still no new data - record only unchanged old data, if exists, and return  
    // 如果没有抓取相头的状态，也没有外链接，也就是说这个CrawlDatum是老的，  
    if (!fetchSet) {  
        // 判断是否有和数据库相关的状态，有的话就输出,没有的话就直接返回  
      if (oldSet) {// at this point at least "old" should be present  
        output.collect(key, old);  
      } else {  
        LOG.warn("Missing fetch and old value, signature=" + signature);  
      }  
      return;  
    }  
      
    // 下面是用来初始化最新的CrawlDatum版本  
    if (signature == null) signature = fetch.getSignature();  
    long prevModifiedTime = oldSet ? old.getModifiedTime() : 0L;  
    long prevFetchTime = oldSet ? old.getFetchTime() : 0L;  
  
  
    // initialize with the latest version, be it fetch or link  
    result.set(fetch);  
    if (oldSet) {  
      // copy metadata from old, if exists  
      if (old.getMetaData().size() > 0) {  
        result.putAllMetaData(old);  
        // overlay with new, if any  
        if (fetch.getMetaData().size() > 0)  
          result.putAllMetaData(fetch);  
      }  
      // set the most recent valid value of modifiedTime  
      if (old.getModifiedTime() > 0 && fetch.getModifiedTime() == 0) {  
        result.setModifiedTime(old.getModifiedTime());  
      }  
    }  
      
    下面是用来确定其最新的状态  
    switch (fetch.getStatus()) {                // determine new status  
  
  
    case CrawlDatum.STATUS_LINKED:                // it was link  
      if (oldSet) {                          // if old exists  
        result.set(old);                          // use it  
      } else {  
        result = schedule.initializeSchedule((Text)key, result);  
        result.setStatus(CrawlDatum.STATUS_DB_UNFETCHED);  
        try {  
          scfilters.initialScore((Text)key, result);  
        } catch (ScoringFilterException e) {  
          if (LOG.isWarnEnabled()) {  
            LOG.warn("Cannot filter init score for url " + key +  
                     ", using default: " + e.getMessage());  
          }  
          result.setScore(0.0f);  
        }  
      }  
      break;  
        
    case CrawlDatum.STATUS_FETCH_SUCCESS:         // succesful fetch  
    case CrawlDatum.STATUS_FETCH_REDIR_TEMP:      // successful fetch, redirected  
    case CrawlDatum.STATUS_FETCH_REDIR_PERM:  
    case CrawlDatum.STATUS_FETCH_NOTMODIFIED:     // successful fetch, notmodified  
      // determine the modification status  
      int modified = FetchSchedule.STATUS_UNKNOWN;  
      if (fetch.getStatus() == CrawlDatum.STATUS_FETCH_NOTMODIFIED) {  
        modified = FetchSchedule.STATUS_NOTMODIFIED;  
      } else {  
        if (oldSet && old.getSignature() != null && signature != null) {  
          if (SignatureComparator._compare(old.getSignature(), signature) != 0) {  
            modified = FetchSchedule.STATUS_MODIFIED;  
          } else {  
            modified = FetchSchedule.STATUS_NOTMODIFIED;  
          }  
        }  
      }  
      // set the schedule  
      result = schedule.setFetchSchedule((Text)key, result, prevFetchTime,  
          prevModifiedTime, fetch.getFetchTime(), fetch.getModifiedTime(), modified);  
      // set the result status and signature  
      if (modified == FetchSchedule.STATUS_NOTMODIFIED) {  
        result.setStatus(CrawlDatum.STATUS_DB_NOTMODIFIED);  
        if (oldSet) result.setSignature(old.getSignature());  
      } else {  
        switch (fetch.getStatus()) {  
        case CrawlDatum.STATUS_FETCH_SUCCESS:  
          result.setStatus(CrawlDatum.STATUS_DB_FETCHED);  
          break;  
        case CrawlDatum.STATUS_FETCH_REDIR_PERM:  
          result.setStatus(CrawlDatum.STATUS_DB_REDIR_PERM);  
          break;  
        case CrawlDatum.STATUS_FETCH_REDIR_TEMP:  
          result.setStatus(CrawlDatum.STATUS_DB_REDIR_TEMP);  
          break;  
        default:  
          LOG.warn("Unexpected status: " + fetch.getStatus() + " resetting to old status.");  
          if (oldSet) result.setStatus(old.getStatus());  
          else result.setStatus(CrawlDatum.STATUS_DB_UNFETCHED);  
        }  
        result.setSignature(signature);  
        if (metaFromParse != null) {  
            for (Entry<Writable, Writable> e : metaFromParse.entrySet()) {  
              result.getMetaData().put(e.getKey(), e.getValue());  
            }  
          }  
      }  
      // if fetchInterval is larger than the system-wide maximum, trigger  
      // an unconditional recrawl. This prevents the page to be stuck at  
      // NOTMODIFIED state, when the old fetched copy was already removed with  
      // old segments.  
      if (maxInterval < result.getFetchInterval())  
        result = schedule.forceRefetch((Text)key, result, false);  
      break;  
    case CrawlDatum.STATUS_SIGNATURE:  
      if (LOG.isWarnEnabled()) {  
        LOG.warn("Lone CrawlDatum.STATUS_SIGNATURE: " + key);  
      }     
      return;  
    case CrawlDatum.STATUS_FETCH_RETRY:           // temporary failure  
      if (oldSet) {  
        result.setSignature(old.getSignature());  // use old signature  
      }  
      result = schedule.setPageRetrySchedule((Text)key, result, prevFetchTime,  
          prevModifiedTime, fetch.getFetchTime());  
      if (result.getRetriesSinceFetch() < retryMax) {  
        result.setStatus(CrawlDatum.STATUS_DB_UNFETCHED);  
      } else {  
        result.setStatus(CrawlDatum.STATUS_DB_GONE);  
      }  
      break;  
  
  
    case CrawlDatum.STATUS_FETCH_GONE:            // permanent failure  
      if (oldSet)  
        result.setSignature(old.getSignature());  // use old signature  
      result.setStatus(CrawlDatum.STATUS_DB_GONE);  
      result = schedule.setPageGoneSchedule((Text)key, result, prevFetchTime,  
          prevModifiedTime, fetch.getFetchTime());  
      break;  
  
  
    default:  
      throw new RuntimeException("Unknown status: " + fetch.getStatus() + " " + key);  
    }  
  
  
    // 这里用来更新result的分数  
    try {  
      scfilters.updateDbScore((Text)key, oldSet ? old : null, result, linkList);  
    } catch (Exception e) {  
      if (LOG.isWarnEnabled()) {  
        LOG.warn("Couldn't update score, key=" + key + ": " + e);  
      }  
    }  
    // remove generation time, if any  
    result.getMetaData().remove(Nutch.WRITABLE_GENERATE_TIME_KEY);  
    output.collect(key, result);   // 写出数据  
  }  
    
}  
3. 总结这里大概分析了一下CrawlDb的更新流程，有一些地方还是没有看得太明白，可能要通过测试来更深入的理解。
其中流程就是对三个目录进行合并，对相同的url的value(CrawlDatum)进行聚合，产生新的CarwlDatum，再写回原来的数据库中。
其复杂的地方在于如果对聚合后的结果进行处理，这个有空还要再看一下。