Heritrix源码分析(十四) 如何让Heritrix不间断的抓取(转)
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:
- /**
- * 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();
- }
- }
- }
Heritrix源码分析(十四) 如何让Heritrix不间断的抓取(转)的更多相关文章
- Heritrix源码分析(十四)
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 ...
- Heritrix源码分析(三) 修改配置文件order.xml加快你的抓取速度(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/629891 本博客已迁移到本人独立博客: http://www.yun5u ...
- Heritrix源码分析(十五) 各种问题总结(转)
开博客以及建立Heritrix 群有一段时间了(这里谢谢大家的关注),这篇博客将整理这段时间所遇到的问题.同时由于自己从今年5月份开始就不怎么接触Heritrix,很多东西开始遗忘(不过里面思想没忘) ...
- Heritrix源码分析(十五)
开博客以及建立Heritrix 群有一段时间了(这里谢谢大家的关注),这篇博客将整理这段时间所遇到的问题.同时由于自己从今年5月份开始就不怎么接触Heritrix,很多东西开始遗忘(不过里面思想没忘) ...
- ABP源码分析十四:Entity的设计
IEntity<TPrimaryKey>: 封装了PrimaryKey:Id,这是一个泛型类型 IEntity: 封装了PrimaryKey:Id,这是一个int类型 Entity< ...
- jQuery 源码分析(十四) 数据操作模块 类样式操作 详解
jQuery的属性操作模块总共有4个部分,本篇说一下第3个部分:类样式操作部分,用于修改DOM元素的class特性的,对于类样式操作来说,jQuery并没有定义静态方法,而只定义了实例方法,如下: a ...
- Vue.js 源码分析(十四) 基础篇 组件 自定义事件详解
我们在开发组件时有时需要和父组件沟通,此时可以用自定义事件来实现 组件的事件分为自定义事件和原生事件,前者用于子组件给父组件发送消息的,后者用于在组件的根元素上直接监听一个原生事件,区别就是绑定原生事 ...
- Heritrix源码分析(十二) Heritrix的控制中心(大脑)CrawlController(一)(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/650694 本博客已迁移到本人独立博客: http://www.yun5u.com/ ...
- Heritrix源码分析(十) Heritrix中的Http Status Code(Http状态码)(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/649737 本博客已迁移到本人独立博客: http://www.yun5u ...
随机推荐
- Spring mvc json null
http://blog.csdn.net/zdsdiablo/article/details/9429263
- error LNK2019: 无法解析的外部符号 ___glutInitWithExit@12,该符号在函数 _glutInit_ATEXIT_HACK@8 中被引用 1>GEARS.obj : er
转: http://blog.csdn.net/bill_ming/article/details/8150111 opengl的高级菜鸟问题 看了一本书<OpenGL三维图形系统开发与应用技术 ...
- Android View体系
- iOS 深入Objective-C的动态特性
深入Objective-C的动态特性 Objective-C具有相当多的动态特性,基本的,也是经常被提到和用到的有动态类型(Dynamic typing),动态绑定(Dynamic binding)和 ...
- DB2时间操作
以下内容选编自<DB2 基础: 日期和时间的使用> 1.使用SQL获取数据库服务器当前时间戳 SELECT current date FROM sysibm.sysdummy1 SELEC ...
- Android百度地图开发01之初体验
做关于位置或者定位的app的时候免不了使用地图功能,本人最近由于项目的需求需要使用百度地图的一些功能,所以这几天研究了一下,现写一下blog记录一下,欢迎大家评论指正! 一.申请AK(API Key) ...
- Objective-C:自定义Block函数
Block函数是一种类似于函数指针的函数,程序员只需要把需要操作的代码封装到定义的block中即可,以后需要使用时,直接调用,非常方便.... 举例如下: 第一种形式:自定义一个无返回值而且无参数的b ...
- Socket网络通讯开发总结之:Java 与 C进行Socket通讯 + [备忘] Java和C之间的通讯
Socket网络通讯开发总结之:Java 与 C进行Socket通讯 http://blog.sina.com.cn/s/blog_55934df80100i55l.html (2010-04-08 ...
- Html5 Geolocation demo
<!DOCTYPE html> <head> <meta charset="utf-8"> <title>HTML5 Geoloca ...
- android 设置控件的颜色,字体
1.用代码设置控件的颜色: int b = getResources().getColor(R.drawable.blue);//得到配置文件里的颜色 mButton.setTextCo ...