heritrix 提高抓取速度

heritrix 提高抓取速度

博客分类：
heritrix

Bean配置管理浏览器

最近一直用heritrix爬取网站， 晚上heritrix一直运行着， 但奇怪的是heritrix 抓取速度非常慢， 抓取一个网站， 用了8个多小时， 竟然没有运行完。 于是根据LOG 分析了一下慢的原因

Java代码


-----===== SNOOZED QUEUES =====-----
SNOOZED#0:
Queue us,imageshack,img245,+2 (p1)
1 items
wakes in: 99m19s74ms
last enqueued: <a href="http://img245.xxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg">http://img245.xxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg
</a> last peeked: <a href="http://img245.xxxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg">http://img245.xxxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg
</a> total expended: 12 (total budget: -1)
active balance: 2988
last(avg) cost: 1(1)
totalScheduled fetchSuccesses fetchFailures fetchDisregards fetchResponses robotsDenials successBytes totalBytes fetchNonResponses
2 1 0 0 1 0 59 59 12
SimplePrecedenceProvider
1

SNOOZED QUene 里面有一些图片一直在那里， 并且运行时间相当长，

用浏览器打开， 那图片不存在，于是那图片一直在QUENE当中。

接着我分析了一下heritrix 中代码：

workQueneFrontier 有下面代码， 由于图片不存在会进入needsRetrying代码块中。

Java代码


if (needsRetrying(curi)) {
// Consider errors which can be retried, leaving uri atop queue
if(curi.getFetchStatus()!=S_DEFERRED) {
wq.expend(curi.getHolderCost()); // all retries but DEFERRED cost
}
long delay_sec = retryDelayFor(curi);
curi.processingCleanup(); // lose state that shouldn't burden retry

wq.unpeek(curi);
// TODO: consider if this should happen automatically inside unpeek()
wq.update(this, curi); // rewrite any changes
if (delay_sec > 0) {
long delay_ms = delay_sec * 1000;
snoozeQueue(wq, now, delay_ms);
} else {
reenqueueQueue(wq);
}

// Let everyone interested know that it will be retried.
appCtx.publishEvent(
new CrawlURIDispositionEvent(this,curi,DEFERRED_FOR_RETRY));
doJournalRescheduled(curi);
return;
}

retryDelayFor方法是用来抓取失败， 计算等待的时间， 代码于如下

Java代码


/**
* Return a suitable value to wait before retrying the given URI.
*
* @param curi
* CrawlURI to be retried
* @return millisecond delay before retry
*/
protected long retryDelayFor(CrawlURI curi) {
int status = curi.getFetchStatus();
return (status == S_CONNECT_FAILED || status == S_CONNECT_LOST ||
status == S_DOMAIN_UNRESOLVABLE)? getRetryDelaySeconds() : 0;
// no delay for most
}

public int getRetryDelaySeconds() {
return (Integer) kp.get("retryDelaySeconds");
}

由于heritrix 默认是等待900秒， 也就是15分钟， 如果抓取失败一个小时也只能运行4次， 8 个小时也就是32次， 难怪一直在运行啊

Java代码


/** for retryable problems, seconds to wait before a retry */
{
setRetryDelaySeconds(900);
}

知道原因后就好办了， 修改一下配置文件：

Xml代码


<!-- FRONTIER: Record of all URIs discovered and queued-for-collection -->
<bean id="frontier"
class="org.archive.crawler.frontier.BdbFrontier">
<!-- <property name="holdQueues" value="true" /> -->
<!-- <property name="queueTotalBudget" value="-1" /> -->
<!-- <property name="balanceReplenishAmount" value="3000" /> -->
<!-- <property name="errorPenaltyAmount" value="100" /> -->
<!-- <property name="precedenceFloor" value="255" /> -->
<!-- <property name="queuePrecedencePolicy">
<bean class="org.archive.crawler.frontier.precedence.BaseQueuePrecedencePolicy" />
</property> -->
<!-- <property name="snoozeLongMs" value="300000" /> -->
<property name="retryDelaySeconds" value="90" />
<!-- <property name="maxRetries" value="30" /> -->
<!-- <property name="recoveryDir" value="logs" /> -->
<!-- <property name="recoveryLogEnabled" value="true" /> -->
<!-- <property name="maxOutlinks" value="6000" /> -->
<!-- <property name="outboundQueueCapacity" value="50" /> -->
<!-- <property name="inboundQueueMultiple" value="3" /> -->
<!-- <property name="dumpPendingAtClose" value="false" /> -->
</bean>

这是heritrix3的配置， 把时间改成90秒， 也就是只等待1分半钟，

如果是H1的配置， 那可以用管理界面进行配置。

改了一下速度一下提高了很多， 原来8小时才能爬完一个网站， 现在2个小时就行了。

如果再用一下heritrix

增量抓取， 那下次再抓取这个网站时， 速度又会增加很多。这样问题解决了