Heritrix源码分析(十四) 如何让Heritrix不间断的抓取（转）

时间：2023-03-08 15:38:13

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:

  1. /**
  2. * 从调度中心获取下一个要抓取的URL
  3. *
  4. */
  5. public CrawlURI next() throws InterruptedException, EndedException {
  6. while (true) {//一直不停的循环,直到遇到异常或终止
  7. <span style="color: #ff0000;">// 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
  8. synchronized (this) {
  9. if (this.controller.getFrontier().isEmpty()) {  //如果没有可抓取的URL
  10. loadSeeds();    //重新载入种子
  11. this.controller.getToePool().notifyAll();   //唤醒所有抓取线程
  12. }
  13. }</span>
  14. long now = System.currentTimeMillis();//开始获取时间
  15. // 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
  16. preNext(now);
  17. /*
  18. * 允许最多一个线程去填充准备队列(readyClassQueues)
  19. */
  20. 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
  21. try {
  22. // 空闲队列数=目标队列数-准备队列数
  23. int activationsNeeded = targetSizeForReadyQueues()
  24. - readyClassQueues.size();
  25. // 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
  26. while (activationsNeeded > 0 && !inactiveQueues.isEmpty()) {
  27. 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
  28. activationsNeeded--;
  29. }
  30. } finally {
  31. readyFiller.release();// 必须释放，这样下次才可以继续使用
  32. }
  33. }
  34. WorkQueue readyQ = null;//准备工作队列
  35. // 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
  36. Object key = readyClassQueues.poll(DEFAULT_WAIT,TimeUnit.MILLISECONDS);// 获得classKey，然后再通过classKey去获得队列
  37. if (key != null) {
  38. readyQ = (WorkQueue) this.allQueues.get(key);// 获得工作队列WorkQueue
  39. }
  40. if (readyQ != null) {
  41. while (true) { // 一直循环,直到抛出异常或终止
  42. CrawlURI curi = null;
  43. synchronized (readyQ) {//锁定准备队列,让其他线程无法获取,避免脏读
  44. curi = readyQ.peek(this); // 从数据库pendingUrls中获取CrawlURI
  45. if (curi != null) {
  46. // 检查该curi是否属于不同的队列
  47. String currentQueueKey = getClassKey(curi);
  48. if (currentQueueKey.equals(curi.getClassKey())) {
  49. //在正确的队列，排放它
  50. noteAboutToEmit(curi, readyQ);
  51. inProcessQueues.add(readyQ);// 加入已处理队列
  52. return curi;
  53. }
  54. curi.setClassKey(currentQueueKey);
  55. readyQ.dequeue(this);       //从调度器中删除刚获取到的URL
  56. decrementQueuedCount(1);    //计数
  57. curi.setHolderKey(null);
  58. } else {
  59. readyQ.clearHeld();
  60. break;
  61. }
  62. }
  63. if (curi != null) {
  64. sendToQueue(curi);  //将获取到的URL发送到它该属于的队列
  65. }
  66. }
  67. } else {
  68. if (key != null) {
  69. logger.severe("Key " + key
  70. + " in readyClassQueues but not allQueues");
  71. }
  72. }
  73. //如果该强烈退出,则抛异常结束循环
  74. if (shouldTerminate) {
  75. throw new EndedException("shouldTerminate is true");
  76. }
  77. //如果没有处理中的队列，则刷新该队列
  78. if (inProcessQueues.size() == 0) {
  79. this.alreadyIncluded.requestFlush();
  80. }
  81. }
  82. }

相关文章