Nutch 1.3 学习笔记3 - Inject
2011-08-23 23:21
309 查看
Nutch 1.3 学习笔记 - Inject----------------------------
1. Inject是干嘛的?
在Nutch中Inject是用来把文本格式的url列表注入到抓取数据库中,一般是用来引导系统的初始化。这里的文本格式如下:http://www.nutch.org/ \t nutch.score=10 \t nutch.fetchInterval=2592000 \t userType=open_source这里的url与其元数据之间用Tab隔开,这里有两个保留的元数据,如下nutch.score : 表示特定url的分数nutch.fetchInterval : 表示特定url的抓取间隔,单位为毫秒Inject注入后生成的数据库为二进制结构,是Hadoop的MapSequenceFileOutputFormat格式
2. Inject运行命令
bin/nutch inject <url_dir> <crawl_db>在本地运行后的输出结果如下:
Injector: starting at 2011-08-23 10:14:10Injector: crawlDb: db/crawldbInjector: urlDir: urlsInjector: Converting injected urls to crawl db entries.Injector: Merging injected urls into crawl db.Injector: finished at 2011-08-23 10:14:12, elapsed: 00:00:02你可以用如下命令来查看其数据库内容
bin/nutch readdb <crawl_db> -stats -sort在本机的输出如下:
rawlDb statistics start: db/crawldbStatistics for CrawlDb: db/crawldbTOTAL urls: 1retry 0: 1min score: 1.0avg score: 1.0max score: 1.0status 1 (db_unfetched): 1 www.baidu.com : 1CrawlDb statistics: done
3. Inject源代码分析
我们知道Injector.java在Nutch源代码中的位置为org.apache.nutch.crawl.Injector.java 其中有一个main入口函数,使用Hadoop的工具类ToolRunner来运行其实例 但其是终入口函数还是void inject(Path crawlDb, Path urlDir) 其中有两个MP任务,第一个主要是把文件格式的输入转换成<url,CrawlDatum>格式的输出,这里的 CrawlDatum是Nutch对于单个抓取url对象的一个抽象,其中有很多url的相关信息 第二个MP主要是把上面新生成的输出与旧的CrawlDb数据进行合并,生成一个新的CrawlDb3.1 对于Inject中第一个MP任务的分析
第一个MP任务主要代码如下:JobConf sortJob = new NutchJob(getConf()); // 生成一个Nutch的配置抽象 sortJob.setJobName("inject " + urlDir); FileInputFormat.addInputPath(sortJob, urlDir); // 设置InputFormat,这里为FileInputFormat,这里要注意的是可以调用多次addInputPath这个方法,效果是会有多个输入源 sortJob.setMapperClass(InjectMapper.class); // 这里设置了Mapper方法,主要是用于解析、过滤和规格化url文本,把其转换成<url,CrawlDatum>格式 FileOutputFormat.setOutputPath(sortJob, tempDir); // 这里定义了一个输出路径,这里的tempDir=mapred.temp.dir/inject-temp-Random() sortJob.setOutputFormat(SequenceFileOutputFormat.class); // 这里配置了输出格式,这里为SequenceFileOutputFormat,这是MP的一种二进制输出结构 sortJob.setOutputKeyClass(Text.class); // 这里配置了MP的输出<key,value>的类型,这里为<Text,CrawlDatum> sortJob.setOutputValueClass(CrawlDatum.class); sortJob.setLong("injector.current.time", System.currentTimeMillis()); JobClient.runJob(sortJob); // 这里用于提交任务到JobTracker,让其运行任务这里对InjectMapper中的主要代码进行分析:这个类主要用于对url进行解析、过滤和规格化
public void map(WritableComparable key, Text value, OutputCollector<Text, CrawlDatum> output, Reporter reporter) throws IOException { String url = value.toString(); // value is line of text if (url != null && url.trim().startsWith("#")) { // 这里以#号开头的文本就过滤 /* Ignore line that start with # */ return; } // if tabs : metadata that could be stored // must be name=value and separated by \t float customScore = -1f; int customInterval = interval; Map<String,String> metadata = new TreeMap<String,String>(); // 设置属性的一个容器 if (url.indexOf("\t")!=-1){ String[] splits = url.split("\t"); // 对一行文本进行切分 url = splits[0]; for (int s=1;s<splits.length;s++){ // find separation between name and value int indexEquals = splits[s].indexOf("="); if (indexEquals==-1) { // skip anything without a = continue; } String metaname = splits[s].substring(0, indexEquals); // 得到元数据的名字 String metavalue = splits[s].substring(indexEquals+1); // 得到元数据的值 if (metaname.equals(nutchScoreMDName)) { // 看是不是保留的元数据 try { customScore = Float.parseFloat(metavalue);} catch (NumberFormatException nfe){} } else if (metaname.equals(nutchFetchIntervalMDName)) { try { customInterval = Integer.parseInt(metavalue);} catch (NumberFormatException nfe){} } else metadata.put(metaname,metavalue); // 如果这个元数据不是保留的元数据,就放到容器中 } } try { url = urlNormalizers.normalize(url, URLNormalizers.SCOPE_INJECT); // 对url进行规格化,这里调用的是plugins中的插件 url = filters.filter(url); // filter the url // 以url进行过滤 } catch (Exception e) { if (LOG.isWarnEnabled()) { LOG.warn("Skipping " +url+":"+e); } url = null; } if (url != null) { // if it passes value.set(url); // collect it // 这里生成一个CrawlDatum对象,设置一些url的初始化数据 CrawlDatum datum = new CrawlDatum(CrawlDatum.STATUS_INJECTED, customInterval); datum.setFetchTime(curTime); // 设置当前url的抓取时间 // now add the metadata Iterator<String> keysIter = metadata.keySet().iterator(); while (keysIter.hasNext()){ // 配置其元数据 String keymd = keysIter.next(); String valuemd = metadata.get(keymd); datum.getMetaData().put(new Text(keymd), new Text(valuemd)); } // 设置初始化分数 if (customScore != -1) datum.setScore(customScore); else datum.setScore(scoreInjected); try { // 这里对url的分数进行初始化 scfilters.injectedScore(value, datum); } catch (ScoringFilterException e) { if (LOG.isWarnEnabled()) { LOG.warn("Cannot filter injected score for url " + url + ", using default (" + e.getMessage() + ")"); } } // Map 收集相应的数据,类型为<Text,CrawlDatum> output.collect(value, datum); } } }
3.2 第二个MP任务的分析
第二个MP任务主要是对crawlDb进行合并,源代码如下:// merge with existing crawl db JobConf mergeJob = CrawlDb.createJob(getConf(), crawlDb); // 这里对Job进行相应的配置 FileInputFormat.addInputPath(mergeJob, tempDir); // 这里配置了输入的文本数据,就是上面第一个MP任务的输出 mergeJob.setReducerClass(InjectReducer.class); // 这里配置了Reduce的抽象类,这里会覆盖上面createJob设置的Reduce类 JobClient.runJob(mergeJob); // 提交运行任务 CrawlDb.install(mergeJob, crawlDb); // 把上面新生成的目录重命名为crawlDb的标准文件夹名,然后再删除老的目录 // clean up FileSystem fs = FileSystem.get(getConf()); fs.delete(tempDir, true); // 把第一个MP任务的输出目录删除下面是createJob的源代码说明:
public static JobConf createJob(Configuration config, Path crawlDb) throws IOException { // 生成新的CrawlDb文件名 Path newCrawlDb = new Path(crawlDb,Integer.toString(new Random().nextInt(Integer.MAX_VALUE))); JobConf job = new NutchJob(config); // 生成相应的Job配置抽象 job.setJobName("crawldb " + crawlDb); Path current = new Path(crawlDb, CURRENT_NAME); if (FileSystem.get(job).exists(current)) { // 如果存在老的CrawlDb目录,将其加入InputPath路径中,和上面的tempDir一起进行合并 FileInputFormat.addInputPath(job, current); } // NOTE:有没有注意到这里如果有老的CrawlDb目录的话,那它的文件格式是MapFileOutputFormat,而下面对其读取用了SequenceFileInputFormat来读,因为这两个类底层都是调用了SequenceFile的Reader与Writer来读写的,所以可以通用。 job.setInputFormat(SequenceFileInputFormat.class); // 设置CrawlDb目录文件的格式为SequenceFileInputFormat job.setMapperClass(CrawlDbFilter.class); // 设置相应的Map操作,主要是过滤和规格化url job.setReducerClass(CrawlDbReducer.class); // 设置相应的Reduce操作,主要是对url进行聚合 FileOutputFormat.setOutputPath(job, newCrawlDb); // 设置新的输出路径 job.setOutputFormat(MapFileOutputFormat.class); // 设置输出的格式,这里是MapFileOutputFormat // 这里设置了输出的类型<Text,CrawlDatum> job.setOutputKeyClass(Text.class); job.setOutputValueClass(CrawlDatum.class); return job; }下面来看看覆盖的InjectReducer都干了些什么,部分源代码如下:
public void reduce(Text key, Iterator<CrawlDatum> values,OutputCollector<Text, CrawlDatum> output, Reporter reporter) throws IOException { boolean oldSet = false; // 把相同url聚合后的结果进行处理,这个循环主要是新注入的url与老的url有没有相同的, // 如果有相同的话就不设置其状态,支持collect出去了 while (values.hasNext()) { CrawlDatum val = values.next(); if (val.getStatus() == CrawlDatum.STATUS_INJECTED) { injected.set(val); injected.setStatus(CrawlDatum.STATUS_DB_UNFETCHED); } else { old.set(val); oldSet = true; } } CrawlDatum res = null; if (oldSet) res = old; // don't overwrite existing value else res = injected; output.collect(key, res); } }最后来看一下CrawlDb.install方法都干了些什么,其源代码如下:
public static void install(JobConf job, Path crawlDb) throws IOException { Path newCrawlDb = FileOutputFormat.getOutputPath(job); // 得到第二个MP任务的输出目录 FileSystem fs = new JobClient(job).getFs(); Path old = new Path(crawlDb, "old"); Path current = new Path(crawlDb, CURRENT_NAME); // 得到CrawlDb的正规目录名,也就是有没有老的CrawlDb if (fs.exists(current)) { // 如果有老的CrawlDb目录,把老的目录名生命名为old这个名字 if (fs.exists(old)) fs.delete(old, true); // 这里判断old这个目录是不是已经存在,如果存在就删除之 fs.rename(current, old); } fs.mkdirs(crawlDb); fs.rename(newCrawlDb, current); // 这里是把第二个MP任务的输出目录重命名为current目录,也就是正规目录名 if (fs.exists(old)) fs.delete(old, true); // 删除重使名后的老的CrawlDb目录 Path lock = new Path(crawlDb, LOCK_NAME); LockUtil.removeLockFile(fs, lock); // 目录解锁 }
4. 总结
Inject主要是从文本文件中注入新的url,使其与老的crawlDb中的url进行合并,然后把老的CrawlDb目录删除,现把新生成的CrawlDb临时目录重命名为CrawlDb目录名。流程如下:url_dir -> MapReduce1(inject new urls) -> MapReduece2(merge new urls with old crawlDb) -> install new CrawlDb -> clean up相关文章推荐
- Apache Nutch 1.3 学习笔记三(Inject)
- Apache Nutch 1.3 学习笔记三(Inject CrawlDB Reader)
- Nutch 1.3 学习笔记 - Inject
- nutch 1.3 学习笔记3-1 Inject CrawlDB Reader
- Nutch 1.3 学习笔记3 - Inject
- Nutch 1.3 学习笔记3-1 Inject CrawlDB Reader
- Nutch 1.3 学习笔记3-1 Inject CrawlDB Reader
- *** Nutch 1.3 学习笔记3 - Inject
- *Nutch 1.3 学习笔记3-1 Inject CrawlDB Reader
- Nutch 1.3 学习笔记 7 CrawlDb - updatedb
- Nutch 1.3 学习笔记2
- Apache Nutch 1.3 学习笔记一
- Nutch学习笔记1 ---------Inject
- Apache Nutch 1.3 学习笔记六(ParseSegment)
- Apache Nutch 1.3 学习笔记二
- Nutch 1.3 学习笔记 8 LinkDb
- Nutch 1.3 学习笔记 4 Generate
- Apache Nutch 1.3 学习笔记八(LinkDb)
- Nutch 1.3 学习笔记 12 Nutch 2.0 的主要变化
- Nutch 1.3 学习笔记1