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/

欢迎加入Heritrix群(QQ)：109148319,10447185, Lucene/Solr群(QQ) : 118972724

CrawlController的确是Heritrix的大脑,在Heritrix中拥有无上的权利！可以控制Heritrix的启动、暂停、停止,也定时进行数据统计、数据汇报和文件管理。同时CrawlController也基本上贯穿整个Heritrix代码,和CrawlURI一样。同时CrawlController纯代码页进2000行,下面就先介绍里面的属性和主要方法,同时对一些灵活用法也加以介绍：

1.属性:

Java代码


//状态,Checkpoinging:表示正在备份

private static final Object CHECKPOINTING = "CHECKPOINTING".intern();

//状态,FINISHED:表示抓取结束

private static final Object FINISHED = "FINISHED".intern();

//状态,NASCENT:表示正在生成一个JOB

private static final Object NASCENT = "NASCENT".intern();

//状态,PAUSED:表示暂停结束,该状态Heritrix正暂停任何抓取

private static final Object PAUSED = "PAUSED".intern();

//状态,PAUSING:表示正在暂停,传达一个暂停命令到每一个线程暂停中间需要时间

private static final Object PAUSING = "PAUSING".intern();

//状态,PREPARING:表示抓取结束

private static final Object PREPARING = "PREPARING".intern();

//状态,RUNNING:表示正在运行

private static final Object RUNNING = "RUNNING".intern();

//状态,STARTED:表示已经启动

private static final Object STARTED = "STARTED".intern();

//状态,STOPPING:表示正在停止,传达一个停止命令到每一个线程暂停中间需要时间

private static final Object STOPPING = "STOPPING".intern();

//当前类的日志管理器

private final static Logger LOGGER = Logger.getLogger(CrawlController.class

.getName());

// 活动的日志文件名后缀

public static final String CURRENT_LOG_SUFFIX = ".log";

// 日志crawl.log.txt的文件名

private static final String LOGNAME_CRAWL = "crawl";

// 日志local-errors.log.txt的文件名

private static final String LOGNAME_LOCAL_ERRORS = "local-errors";

// 日志progress-statistics.log.txt的文件名

private static final String LOGNAME_PROGRESS_STATISTICS = "progress-statistics";

// runtime-errors.txt的文件名

private static final String LOGNAME_RUNTIME_ERRORS = "runtime-errors";

// 日志uri-errors.txt的文件名

private static final String LOGNAME_URI_ERRORS = "uri-errors";

// 日志manifest-report的文件名前缀

public final static String MANIFEST_REPORT = "manifest";

//processors-report.txt的文件名前缀

public final static String PROCESSORS_REPORT = "processors";

// crawl-manifest日志文件中中配置文件标签缩写

public static final char MANIFEST_CONFIG_FILE = 'C';

// crawl-manifest日志文件中中日志文件标签缩写

public static final char MANIFEST_LOG_FILE = 'L';

// crawl-manifest日志文件中中报告文件标签缩写

public static final char MANIFEST_REPORT_FILE = 'R';

//报告文件名数组

protected final static String[] REPORTS = { PROCESSORS_REPORT,

MANIFEST_REPORT };

//应急内存,当内存不够时Heritrix会释放这个内存去做一些紧急动作如数据备份

private static final int RESERVE_BLOCK_SIZE = 6 * 2 ^ 20; // 6MB

private static final int RESERVE_BLOCKS = 1;

//BDB数据库,Heritrix自己封装

private transient EnhancedEnvironment bdbEnvironment = null;

//用于Checkpoint备份，存储需要备份的数据

private transient Map<String, CachedBdbMap<?, ?>> bigmaps = null;

//备份器

private Checkpointer checkpointer;

//备份对象

private transient Checkpoint checkpointRecover = null;

//备份目录

private transient File checkpointsDisk;

//整个Heritrix目录

private transient File disk;

//日志文件目录

private transient File logsDisk;

//scratch文件

private transient File scratchDisk;

//BDB数据库文件

private transient File stateDisk;

//日志处理器跟文件处理器关联

transient private Map<Logger, FileHandler> fileHandlers;

//调度器

private transient Frontier frontier;

// 日志处理器,关联local-errors.log

public transient Logger localErrors;

// 日志处理器,关联 progress-statistics.log

private transient Logger progressStats;

//日志处理器,关联报告文件

public transient Logger reports;

// 日志处理器,关联runtime-errors.log

public transient Logger runtimeErrors;

// 日志处理器,关联uri-Errors.log

public transient Logger uriErrors;

// 日志处理器,关联crawl.log

public transient Logger uriProcessing;

//记录Hertrix创建的日志文件名

private StringBuffer manifest;

//最大字节数，来源于配置文件

private long maxBytes; //

//抓取限制， 最大文档数，来源于配置文件

private long maxDocument;

// 抓取限制，最大时间，来源于配置文件

private long maxTime;

//管理order.xml

private transient CrawlOrder order;

//处理器链

private transient ProcessorChainList processorChains;

//事件监听器,比如正在运行、停止

private transient List<CrawlStatusListener> registeredCrawlStatusListeners = Collections

.synchronizedList(new ArrayList<CrawlStatusListener>());

//抓取状态监听器,这里监听哪些URl被忽略,哪些URL抓取失败等

private transient CrawlURIDispositionListener registeredCrawlURIDispositionListener;

//抓取状态监听器数据

protected transient ArrayList<CrawlURIDispositionListener> registeredCrawlURIDispositionListeners;

// 应急储备内存

private transient LinkedList<char[]> reserveMemory;

//抓取范围管理

private transient CrawlScope scope;

// CrawlServer和CrawlHost的缓存

private transient ServerCache serverCache;

//配置文件,如order.xml

private transient SettingsHandler settingsHandler;

//Heritrix状态，表示已经存在

private transient String sExit;

// 锁,控制同时只能一个线程运行使用本类

private transient ReentrantLock singleThreadLock = null;

//是否是单线程模式

private volatile transient boolean singleThreadMode = false;

// 表示当前爬虫状态，新生的

transient private Object state = NASCENT;

// 统计跟踪器

protected StatisticsTracking statistics = null;

//线程池

private transient ToePool toePool;

同时属性中有三个地方需要补充下:

1)"CHECKPOINTING".intern(); 为什么采用intern()方法？知道intern()方法的人都知道,intern在创建String对象时会先无内存里查看有没有该对象,有的话直接返回,没有则重新创建。而普通的new一般都是直接创建对象,如此在一定程序上可以节省开销

2)transient LinkedList<char[]> reserveMemory;应急内存。Heritrix在初始化的时候会先占用一部分内存,这里是6M。当发生内存溢出的时候则释放这部分内存,然后做一些日志、报告方面的操作

3)private transient ReentrantLock singleThreadLock,重入锁.大脑只能有一个,所以需要用这个来保证一个大脑的存在，而不是多个。这里为什么不用单例模式来取代,而采用这种方法？我这里没有用单例模式和这种方法进行实验比较,但直觉上告诉我,由于Heritrix是个多线程爬虫,并且可以同时有多个抓取Job,但同时只能有一个job运行。单例模式的synchronized不能保证当一个job发生线程中断时,其他job可以获得CrawlController的锁来运行他们的抓取,因为synchronized会一直锁住CrawlController对象.而使用ReentrantLock则可以做到这一点...我的想法,欢迎大家拍砖...

由于贴上方法介绍后本文章会太长，故方法介绍方法下一篇博客介绍,博客地址:http://guoyunsky.iteye.com/blog/650744