欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

Heritrix源码分析(十二) Heritrix的控制中心(大脑)CrawlController(一)

程序员文章站 2022-04-29 15:53:31
...

      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 

     

      欢迎加入Heritrix群(QQ):109148319

      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:

//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

 

更多技术文章、感悟、分享、勾搭,请用微信扫描:

Heritrix源码分析(十二)  Heritrix的控制中心(大脑)CrawlController(一) 
            
    
    博客分类: 搜索引擎-爬虫-Heritrix 配置管理多线程SolrQQlucene