berkeley db储存URL队列的简单实现增、删、查



Berkeley DB（BDB）是一个高效的嵌入式数据库编程库，C语言、C++、Java、Perl、Python、Tcl以及其他很多语言都有其对应的API。Berkeley DB可以保存任意类型的键/值对（Key/Value Pair），而且可以为一个键保存多个数据。Berkeley DB支持让数千的并发线程同时操作数据库，支持最大256TB的数据，广泛用于各种操作系统，其中包括大多数类Unix操作系统、Windows操作系统以及实时操作系统。

Berkeley DB在06年被 Oracle 收购了，现在我们在 Oracle 网站上会看到： BerkeleyDB、BerkeleyDB XML 和 BerkeleyDB JAVA Edition 这个三个东东。简单的说最开始 BerkeleyDB 是只有 C 语言版本的，但是 JAVA 也可以使用，只不过需要通过 JNI 调用，效率可能有点影响。后来出了 JAVA Edition ，用纯 JAVA 实现了一遍，也就是我们看到的 BerkeleyDB JAVA Edition (简称 JE )。

JE是一个通用的事务保护的，100％纯Java（JE不作任何JNI调用）编写的嵌入式数据库。因此，它为Java开发人员提供了安全高效的对任意数据的存储和管理。

JE 适合于管理海量的，简单的数据。其中的记录都以简单的键值对保存，即key/value对。由于它操作简单，效率较高，因此受到了广泛的好评。

JE官网：http://www.oracle.com/technetwork/database/database-technologies/berkeleydb/overview/index.html

一些特性：

1. 大型数据库的支持：它支持从1到数百万级的数据量，数据库的大小限制基本上受限于你的硬件支持。
2. 多线程，多进程支持：JE读写操作都可以是多线程，使用记录级锁定为线程应用程序提供高并发性。此外，JE使用死锁超时检测的机制来确保不会有两个线程无限期的死锁。JE允许多个进程访问同一个DB，但在这种情况下， Berkeley 只允许一个线程进行写操作，读操作随意。
3. 事务：原子性，可恢复，隔离性。
4. 内存Cache：为了减少IO操作提高性能，将数据暂存在内存里面。
5. 索引。

简单读写操作：

Database.put()： 向数据库写入数据，如果不支持重复记录，则会覆盖更新key对应的已有记录
Database.putNoOverwrite():向数据库写入数据，但是如果key已经存在，不会覆盖已有数据（即使数据库支持重复key）

Database.putNoDupData():向数据库写入数据（该方法仅用于支持重复key的数据库），如果key和value对应的记录已经存在，那么操作结果是：OperationStatus.KEYEXIST

Database.get() ：检索key对应的记录，如果没有找到，操作结果返回：OperationStatus.NOTFOUND
Database.getSearchBoth() ：根据key和value 检索数据库记录，如果没有找到，操作结果返回：OperationStatus.NOTFOUND

属性配置

跟Environment一样，database也可以通过DatabaseConfig进行配置。
DatabaseConfig.setAllowCreate()
设置当不存在该数据库的时候是否创建一个新的库
DatabaseConfig.setBtreeComparator()
设置用来决定数据库中记录顺序的排序器
DatabaseConfig.setDuplicateComparator()
设置用来比较重复数据的排序器
DatabaseConfig.setSortedDuplicates()
设置该数据库是否允许重复的数据
DatabaseConfig.setExclusiveCreate()
设置当存在该数据库的时候是否会打开数据库失败
DatabaseConfig.setReadOnly()
设置数据库是否只读
DatabaseConfig.setTransactional()
设置事务属性
DatabaseConfig.setDeferredWrite()
设置延迟写属性
DatabaseConfig.setTemporary()
设置该数据库是否为临时数据库（Temporary Databases）

延迟写数据库

默认情况下，数据库会在操作的时候写入变化到磁盘中，如果你使用了事务，那么将会在事务提交的时候写入变化。但是如果你启用了延迟写配置，数据库不会把变化立即写入，除非1.显式的调用了Database.sync()方法；2.缓存满了；3.到达了检查点（checkpoint）。
延迟写可以带来以下两个好处:
1.在多线程情况下，可以减少写操作的瓶颈。
2.可以减少写操作数据库，比如你一条记录你多次修改了它，那只会最后一次的改变会被写入到数据库中。
数据库也可以在延迟写和普通库之间进行转换，比如你要加载很大量的数据到数据库中，明显的延迟写数据库相较于普通数据库有更好的性能，这时你可以在加载大数据的时候设置延迟写，在加载完毕之后一次性的写入到数据库中。然后关闭数据库，再使用普通数据库配置属性打开。
设置DatabaseConfig.setDeferredWrite(true)，可以让数据库变成延迟写数据库。

临时数据库

这是一个很特殊的数据库，打开临时数据库后，你可以像一般的数据库一样对它进行操作，但是在关闭这个数据库后所有的数据将被清除。也就是说临时数据库中的数据不是持久性的。
并且临时数据库内部采用了延迟写，但是这并不意味着临时数据库将不会发生I/O操作，当缓存满的时候，数据库仍然会把数据写入到磁盘上。临时数据库拥有延迟写数据库的所有优点，但是有一点不同于延迟写数据库，它不会在到达检查点的时候进行写入。
设置DatabaseConfig.setTemporary(true)，可以让数据库变成延迟写数据库。

//URL队列的实现，讲访问过的URL存到另外一个数组中，并删除队列中已经访问过的URLpackage com.mycrawler.berkeleydb;import java.io.File;import com.sleepycat.je.Cursor;import com.sleepycat.je.Database;import com.sleepycat.je.DatabaseConfig;import com.sleepycat.je.DatabaseEntry;import com.sleepycat.je.DatabaseException;import com.sleepycat.je.Environment;import com.sleepycat.je.EnvironmentConfig;import com.sleepycat.je.LockMode;import com.sleepycat.je.OperationStatus;import com.sleepycat.je.Transaction;public class OperatingDB {//讲URL写入队列中public boolean writerURL(String fileName, String url,String databaseDBName, String rankPage) {boolean mark = false;// 配置环境 https://community.oracle.com/thread/996592?start=0&tstart=0 问题地址EnvironmentConfig envConfig = new EnvironmentConfig();// 设置配置事务envConfig.setTransactional(true);// 如果不存在就创建环境envConfig.setAllowCreate(true);File file = new File(fileName);file.mkdirs();try {Environment exampleEnv = new Environment(file, envConfig);Transaction txn = exampleEnv.beginTransaction(null, null);DatabaseConfig dbConfig = new DatabaseConfig();dbConfig.setTransactional(true);dbConfig.setAllowCreate(true);dbConfig.setSortedDuplicates(false);Database exampleDb = exampleEnv.openDatabase(txn, databaseDBName,dbConfig);txn.commit();DatabaseEntry theKey = new DatabaseEntry(url.getBytes("utf-8"));DatabaseEntry theData = new DatabaseEntry(rankPage.getBytes("utf-8"));exampleDb.put(null, theKey, theData);exampleDb.close();exampleEnv.close();} catch (Exception e) {e.printStackTrace();mark = false;}return mark;}// 读取没有访问过的URLpublic String readerURL(String fileName, String databaseDBName) {// boolean mark = false;// 配置环境EnvironmentConfig envConfig = new EnvironmentConfig();// 设置配置事务envConfig.setTransactional(true);// 如果不存在就创建环境envConfig.setAllowCreate(true);File file = new File(fileName);String theKey = null;// file.mkdirs();try {Environment exampleEnv = new Environment(file, envConfig);// Transaction txn = exampleEnv.beginTransaction(null,null);DatabaseConfig dbConfig = new DatabaseConfig();dbConfig.setTransactional(true);dbConfig.setAllowCreate(true);dbConfig.setSortedDuplicates(false);Database myDB = exampleEnv.openDatabase(null, databaseDBName,dbConfig);// txn.commit();// txn = exampleEnv.beginTransaction(null,null);Cursor cursor = myDB.openCursor(null, null);DatabaseEntry foundKey = new DatabaseEntry();DatabaseEntry foundValue = new DatabaseEntry();// cursor.getPrev()与cursor.getNext()的区别：一个是从前往后读取，一个是从后往前读取// 这里讲访问遍历数据库全部数据while循环噶为if判断，则就只读取第一条数据if (cursor.getNext(foundKey, foundValue, LockMode.DEFAULT) == OperationStatus.SUCCESS) {theKey = new String(foundKey.getData(), "UTF-8");}cursor.close();myDB.close();exampleEnv.close();} catch (Exception e) {e.printStackTrace();}return theKey;}// 读取已经爬取过的URLpublic String readerUsedURL(String fileName, String databaseDBName,String url) {// 配置环境EnvironmentConfig envConfig = new EnvironmentConfig();// 设置配置事务envConfig.setTransactional(true);// 如果不存在就创建环境envConfig.setAllowCreate(true);File file = new File(fileName);String theKey = null;// file.mkdirs();try {Environment exampleEnv = new Environment(file, envConfig);Transaction txn = exampleEnv.beginTransaction(null, null);DatabaseConfig dbConfig = new DatabaseConfig();dbConfig.setTransactional(true);dbConfig.setAllowCreate(true);dbConfig.setSortedDuplicates(false);Database myDB = exampleEnv.openDatabase(txn, databaseDBName,dbConfig);txn.commit();Cursor cursor = myDB.openCursor(null, null);DatabaseEntry foundKey = new DatabaseEntry();DatabaseEntry foundValue = new DatabaseEntry();// cursor.getPrev()与cursor.getNext()的区别：一个是从前往后读取，一个是从后往前读取// 这里讲访问遍历数据库全部数据while循环噶为if判断，则就只读取第一条数据while (cursor.getNext(foundKey, foundValue, LockMode.DEFAULT) == OperationStatus.SUCCESS) {theKey = new String(foundKey.getData(), "UTF-8");if (theKey.equals(url)) {return theKey;}}cursor.close();myDB.close();exampleEnv.close();} catch (Exception e) {e.printStackTrace();}return null;}// 删除已经读取过的URLpublic void deleteReadURL(String envHomePath, String databaseName,String key) {Environment mydbEnv = null;Database myDatabase = null;// 创建一个EnvironmentConfig配置对象EnvironmentConfig envCfg = new EnvironmentConfig();// 如果设置了true则表示当数据库环境不存在时候重新创建一个数据库环境，默认为false.envCfg.setAllowCreate(true);// 设置数据库缓存大小// envCfg.setCacheSize(1024 * 1024 * 20);// 事务支持,如果为true，则表示当前环境支持事务处理，默认为false，不支持事务处理。envCfg.setTransactional(true);try {mydbEnv = new Environment(new File(envHomePath), envCfg);DatabaseConfig dbCfg = new DatabaseConfig();// 如果数据库不存在则创建一个dbCfg.setAllowCreate(true);// 如果设置为true,则支持事务处理，默认是false，不支持事务dbCfg.setTransactional(true);myDatabase = mydbEnv.openDatabase(null, databaseName, dbCfg);DatabaseEntry keyEntry = new DatabaseEntry(key.getBytes("utf-8"));// 删除myDatabase.delete(null, keyEntry);} catch (Exception e) {e.printStackTrace();} finally {if (null != myDatabase) {try {myDatabase.close();} catch (DatabaseException e) {e.printStackTrace();}}if (null != mydbEnv) {// 在关闭环境前清理下日志try {mydbEnv.cleanLog();} catch (DatabaseException e) {e.printStackTrace();}try {mydbEnv.close();} catch (DatabaseException e) {e.printStackTrace();}mydbEnv = null;}}}public static void main(String[] args) {OperatingDB odb = new OperatingDB();// odb.writerURL( "c:/data/","www.163.com","data","123");// odb.writerURL( "c:/data/","www.baidu.com","data","123");String url = odb.readerURL("c:/data/", "data");if(url != null){odb.deleteReadURL("c:/data/","data",url);}else{System.out.println("url is null !!!");}}}