Nutch爬虫实验运行及抓取数据分析（二）

lmx800

浏览: 29839 次
来自: ...

最近访客更多访客>>

dythaitian

chen_l23

ZT71363387

469471432

博主相关

博客

微博

相册

留言

关于我

文章分类

全部博客 (16)

社区版块

存档分类

2007-01 ( 16)
更多存档...

算法 HTML 网络协议 Google Apache

续接《Nutch爬虫实验运行及抓取数据分析（一）》：

在分析了WebDB之后，下面我们继续分析Nutch爬虫在对实验网络抓取之后其它的结果文件内容。

Segments

Crawler在抓取中共生成了三个segment，分别存放于segments文件夹下的以时间戳为文件夹名的三个子文件夹下面。每个segment代表Crawler的一次“产生/抓取/更新”循环。Nutch中提供了如下的命令可以清晰的看到segments的简介：

bin/nutch segread -list -dir crawl-tinysite/segments/

命令结果如下所示：

PARSED? STARTED FINISHED COUNT DIR NAME

true 20051025-12:13:35 20051025-12:13:35 1

crawl-tinysite/segments/20051025121334

<divre></divre> true 20051025-12:13:37 20051025-12:13:37 1

crawl-tinysite/segments/20051025121337

<divre></divre> true 20051025-12:13:39 20051025-12:13:39 2

crawl-tinysite/segments/20051025121339

TOTAL: 4 entries in 3 segments.

结果中PARSED?列表示的是在抓取之后是否接着进行解析和索引，默认的都是true。但是

如果你利用底层命令进行抓取操作的时候，你可以在抓取之后独立地再另外进行解析和索

引工作，此时此列才会为false。STARTED和FINISHED两列记录的是此循环的开始时间和

结束时间，这些信息可以帮助用户分析那些抓取时间过长的页面是怎么回事。COUNT列代

表的是此segment内包含的被抓取回来的网页数目，例如最后一个segment此列值为2，代表

的是segment中有两个被抓取回来的网页，即C网页和C-dup网页。

但是这些简介信息并不够详细，下面的命令可以可以更清楚的看到单个segment的

详细信息，我们以第一个segment为例：

s=`ls -d crawl-tinysite/segments/* | head -1`
 


 
bin/nutch segread -dump $s
结果为：
<divre></divre>
Recno:: 0
 


 
<divre></divre>
FetcherOutput::
 


 
<divre></divre>
FetchListEntry: version: 2
 


 
<divre></divre>
fetch: true
 


 
<divre></divre>
page: Version: 4
 


 
<divre></divre>
URL: http://keaton/tinysite/A.html
 


 
<divre></divre>
ID: 6cf980375ed1312a0ef1d77fd1760a3e
 


 
<divre></divre>
Next fetch: Tue Nov 01 11:13:34 GMT 2005
 


 
<divre></divre>
Retries since fetch: 0
 


 
<divre></divre>
Retry interval: 30 days
 


 
<divre></divre>
Num outlinks: 0
 


 
<divre></divre>
Score: 1.0
 


 
<divre></divre>
NextScore: 1.0
 


 
<divre></divre>
 
 


 
<divre></divre>
anchors: 1
 


 
<divre></divre>
anchor: A
 


 
<divre></divre>
Fetch Result:
 


 
<divre></divre>
MD5Hash: fb8b9f0792e449cda72a9670b4ce833a
 


 
<divre></divre>
ProtocolStatus: success(1), lastModified=0
 


 
<divre></divre>
FetchDate: Tue Oct 25 12:13:35 BST 2005
 


 
<divre></divre>
 
 


 
<divre></divre>
Content::
 


 
<divre></divre>
url: http://keaton/tinysite/A.html
 


 
<divre></divre>
base: http://keaton/tinysite/A.html
 


 
<divre></divre>
contentType: text/html
 


 
<divre></divre>
metadata: {Date=Tue, 25 Oct 2005 11:13:34 GMT, Server=Apache-Coyote/1.1,
 


 
<divre></divre>
Connection=close, Content-Type=text/html, ETag=W/"1106-1130238131000",
 


 
<divre></divre>
Last-Modified=Tue, 25 Oct 2005 11:02:11 GMT, Content-Length=1106}
 


 
<divre></divre>
Content:
 


 
<divre></divre>
<?xml version="1.0" encoding="UTF-8"?>
 


 
<divre></divre>
<!DOCTYPE html
 


 
<divre></divre>
PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
 


 
<divre></divre>
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
 


 
<divre></divre>
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
 


 
<divre></divre>
<head>
 


 
<divre></divre>
<title>'A' is for Alligator</title>
 


 
<divre></divre>
</head>
 


 
<divre></divre>
<body>
 


 
<divre></divre>
<p>
 


 
<divre></divre>
Alligators live in freshwater environments such as ponds,
 


 
<divre></divre>
marshes, rivers and swamps. Although alligators have
 


 
<divre></divre>
heavy bodies and slow metabolisms, they are capable of
 


 
<divre></divre>
short bursts of speed that can exceed 30 miles per hour.
 


 
<divre></divre>
Alligators' main prey are smaller animals that they can kill
 


 
<divre></divre>
and eat with a single bite. Alligators may kill larger prey
 


 
<divre></divre>
by grabbing it and dragging it in the water to drown.
 


 
<divre></divre>
Food items that can't be eaten in one bite are either allowed
 


 
<divre></divre>
to rot or are rendered by biting and then spinning or
 


 
<divre></divre>
convulsing wildly until bite size pieces are torn off.
 


 
<divre></divre>
(From
 


 
<divre></divre>
<a href="http://en.wikipedia.org/wiki/Alligator">the
 


 
<divre></divre>
Wikipedia entry for Alligator</a>.)
 


 
<divre></divre>
</p>
 


 
<divre></divre>
<p><a href="B.html">B</a></p>
 


 
<divre></divre>
</body>
 


 
<divre></divre>
</html>
 


 
<divre></divre>
 
 


 
<divre></divre>
ParseData::
 


 
<divre></divre>
Status: success(1,0)
 


 
<divre></divre>
Title: 'A' is for Alligator
 


 
<divre></divre>
Outlinks: 2
 


 
<divre></divre>
outlink: toUrl: http://en.wikipedia.org/wiki/Alligator
 


 
<divre></divre>
anchor: the Wikipedia entry for Alligator
 


 
<divre></divre>
outlink: toUrl: http://keaton/tinysite/B.html anchor: B
 


 
<divre></divre>
Metadata: {Date=Tue, 25 Oct 2005 11:13:34 GMT,
 


 
<divre></divre>
CharEncodingForConversion=windows-1252, Server=Apache-Coyote/1.1,
 


 
<divre></divre>
Last-Modified=Tue, 25 Oct 2005 11:02:11 GMT, ETag=W/"1106-1130238131000",
 


 
<divre></divre>
Content-Type=text/html, Connection=close, Content-Length=1106}
 


 
<divre></divre>
 
 


 
<divre></divre>
ParseText::
 


 
<divre></divre>
'A' is for Alligator Alligators live in freshwater environments such
 


 
<divre></divre>
as ponds, marshes, rivers and swamps. Although alligators have heavy
 


 
<divre></divre>
bodies and slow metabolisms, they are capable of short bursts of
 


 
<divre></divre>
speed that can exceed 30 miles per hour. Alligators' main prey are
 


 
<divre></divre>
smaller animals that they can kill and eat with a single bite.
 


 
<divre></divre>
Alligators may kill larger prey by grabbing it and dragging it in
 


 
<divre></divre>
the water to drown. Food items that can't be eaten in one bite are
 


 
<divre></divre>
either allowed to rot or are rendered by biting and then spinning or
 


 
<divre></divre>
convulsing wildly until bite size pieces are torn off.
 


 
(From the Wikipedia entry for Alligator .) B
  
 
 
 
可以看到结果中有多个数据块，但是不要弄错，这些数据块都是属于一个网页实
体的，那就是A网页。只不过这些数据块属于不同的种类，是不同的阶段Crawler
所得到的A网页的数据。数据总共是三种：fetch data、raw content和pared content。
Fetch data被放置于FetcherOutput标识段之内，这些data是Crawler在“产生/抓取/更
新”循环的更新阶段为了更新WebDB写入WebDB中的关于A网页的数据。
 
 
 
 
Raw content被放置于Content标识段之内，是Fetcher从网络上抓取的网页的原始文
本数据，包括了完整的网页头数据和网页体。默认的是通过http协议插件进行下
载此数据。这些数据当你设置nutch拥有网页快照能力的时候被保存。
  
 
 
 
最后，Raw content被解析模块进行解析生成parsed content，解析模块在Nutch中是
以插件的形式进行实现的，根据下载网页的格式决定利用哪个插件进行解析。
Parsed content被放置于ParseData和ParseText标识段之内，它被用于建立segment的
索引。
  
 
 
 
Index
 
 
 
 
我们利用Luke工具来进行Nutch索引的分析。Luke可以查看索引中的单个索引项，
也可以进行关键字查询。下面图3即是本次实验中nutch建立的索引，这些索引存
在于index目录之下。
  
 
 
 
 
 
 
 
图3 利用Luke查看Nutch的index
  
 
 
 
上篇文章说过最终的索引是通过对segments的索引进行合并和除去重复建立的，
所以你可以利用Luke来查看最后一个segment的索引你会发现，索引中并没有
C-dup网页，因为其内容与C网页重复已经在索引建立的过程中被移除。于是，
最终的索引中也只有三个索引项，分别对应的是网页A、B和C。
  
 
 
 
图3中显示的是关于网页A的所有索引fields，这些fields的含义很清楚，我们主要
对boost进行一下解释。Boost field的值是通过链接到此网页的链接数目来进行计
算的，链接到此网页的链接越多，此值越大。但是两者并不是成线性关系的，
而是通过对数计算而得，计算公式为ln(e+n)，其中参数n即是链接数目。例如此
例中链接到网页A的只有一个网页B，所以boost的值计算为ln(e+1) = 1.3132616…
 
 
 
 
但是本质上，boost的值并不是仅仅依赖于链接数目，它还与链接到本网页的母
网页的分数有关。我们分析过WebDB和segment，里面存储了每个网页的得分，
在boost的计算中，本质上是需要参考这些母网页的自身分数的。但是因为局域
网爬虫操作中默认取消了所有网页评分的操作，于是所有网页的分数被认定为1.0，
所以在boost的计算中，实际上只单独考虑了链接的数目。
  
 
 
 
那么，什么时候网页的评分将不会为1.0呢？Nutch利用了LinkAnalysisTool操作来
对网页进行评分，此操作利用的是google的pagerank算法。Pagerank算法在这里
不进行详细叙述了，有兴趣的朋友可以进行研究。我们知道，pagerank算法是
一个递归的过程，其算法复杂度和花费的时间较为巨大，所以在进行局域网
爬行的时候Nutch自动省略了这一操作，幸运的是，局域网中网页的检索在没有
这一步的情况下效果是理想的。但是对于整个网络的爬行以及检索，
LinkAnalysisTool操作是至关重要的，它也是google获得巨大成功的重要原因。
 
 
 
 
备注
参考文章：http://today.java.net/pub/a/today/2006/01/10/introduction-to-nutch-1.html
本文章为原创，如要转载请务必注明本文章出处http://blog.donews.com/52se。