Heritrix源码分析(十四) 如何让Heritrix不间断的抓取

     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
		// 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
			}

		}

		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();
		}
	}
}

 

     

厉害，不知道能不能也分享一下Lucene方面的使用心得？

关注,搜索引擎重要性越来越明显了