剖析NUTCH爬虫[转贴]

1.       简介
开源项目NUTCH搜索引擎大致包括三个部分：
(1)    爬虫：寻找并抓取网页
(2)    网页库：存储已知URL和已抓取网页的数据库
(3)    索引器：解析网页并按照主题字典建立索引
2. NUTCH命令脚本
NUTCH使用多个"bin/nutch"命令脚本进行操作，其中每个脚本命令与一个java类相对应

对于整个网络网页的抓取，你需要利用下面的命令逐步进行：
$ bin/nutch admin db -create
$ bin/nutch inject db ...
$ bin/nutch generate db segments
$ bin/nutch fetch ...
$ bin/nutch updatedb ...
$ bin/nutch analyze .

每个命令对应的java类如下所示： 
admin: net.nutch.tools.WebDBAdminTool 
inject: net.nutch.db.WebDBInjector 
generate: net.nutch.tools.FetchListTool 
fetch: net.nutch.fetcher.Fetcher 
updatedb: net.nutch.tools.UpdateDatabaseTool 
analyze: net.nutch.tools.LinkAnalysisTool

3.CRAWL命令：net.nutch.tools.CrawlTool类 

CrawlTool类的作用很好理解，它就是将爬行整个网络的一系列命令操作综合
在一起并加以限制条件实现了局域性网络的爬行。
它主要包括了两个静态函数和一个main函数。下面是操作细节： 

操    作：                               对应的函数：

- start logger:                        LogFormatter.getLogger(...)
- load "crawl-tool.xml" config file:   NutchConf.addConfResource(...)（加载配置文件）
- read arguments from command-line     （读取命令行参数，如爬行深度等）
- create a new web db:                   WebDBAdminTool.main(...)（生成一个新网页库）
- add rootURLs into the db:             WebDBInjector.main(...)（将种子URL写入网页库）
- for 1 to depth (=5 by default):      
- generate a new segment:            FetchListTool.main(...)
- fetch the segment:                  Fetcher.main(...)
- update the db:                     UpdateDatabaseTool.main(...)（爬行网页并更新网页库）
- comment: 

"Re-fetch everything to get complete set of incoming anchor texts"
- delete all old segment data:         FileUtil.fullyDelete(...)（根据网页锚文本爬行链接网页）
- make a single segment with all pages:FetchListTool.main(...)




- re-fetch everything:                    Fetcher.main(...)
- index:                                 IndexSegment.main(...)
- dedup:                                 DeleteDuplicates.main(...)
- merge:                                 IndexMerger.main(...)
a

将以上各步还原为NUTCH命令脚本你就会发现，其实它和爬行整个网络所进行的操作是一码事。 

- (start logger, etc)
 

- bin/nutch admin db -create
 

- bin/nutch inject db ...
 

- (for 1 to depth:)
 

   - bin/nutch generate ...
 

   - bin/nutch fetch ...
 

   - bin/nutch updatedb ...
 

- (call net.nutch.FileUtil.fullyDelete(...))
 

- bin/nutch generate ...
 

- bin/nutch index ...
 

- bin/nutch dedup ...
 

- bin/nutch merge ...

如果我们想在自己的程序中使用爬虫功能,那么我们可以将这个类拷贝到我们自己的程序中需要的地方,然后通过

bin/nutch调用这个类的命令爬行网络,但是,因为实际的爬行抓取功能主要在Fethcer.mian()中实现的,
只通过这个类我们并没有进行什么实质的饿自定义爬行,
而知识调用了Nutch已有的爬行功能.

接下来的几个命令和命令调用的类，主要是为最核心的fetch工作做准备的，
我们首先来看看以下这些操作，然后集中精力再看fetch类。

Admin -creat 命令：net.nutch.tools.WebDBAdminTool类
Admin命令的作用主要是对网页库进行管理操作。其命令格式如下：

java net.nutch.tools.WebDBAdminTool db [-create] [-textdump dumpPrefix] [-scoredump] [-top k]

其中[-creat]选项的含义就是创建网页库，它通过生成WEBDBWriter对象来完成工作，然后再关闭此对象。

利用spam作为文件夹执行此命令，执行后生产的网页库物理文件如下所示：

$ bin/nutch admin spam -create

$ find spam -type file | xargs ls -l

-rw-r--r--  1 kangas  users   0 Oct 25 18:31 spam/dbreadlock

-rw-r--r--  1 kangas  users   0 Oct 25 18:31 spam/dbwritelock

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/linksByMD5/data

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/linksByMD5/index

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/linksByURL/data

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/linksByURL/index

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/pagesByMD5/data

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/pagesByMD5/index

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/pagesByURL/data

-rw-r--r--  1 kangas  users  16 Oct 25 18:31 spam/webdb/pagesByURL/index

inject命令：net.nutch.db.WebDBInjector类

此命令的主要作用就是将新的URL写入网页库，命令格式如下：

WebDBInjector <db_dir> 

WebDBInjector.main() 可以接受两个选择项.我们首先建立spam_url.txt文件，
在文件里面写入一个url，然后运行bin/nutch inject命令。结果如下：

$ vi spam_url.txt 

$ bin/nutch inject spam -urlfile spam_url.txt

$ find spam -type file | xargs ls -l

-rw-r--r--  1 kangas  users    0 Oct 25 18:57 spam/dbreadlock

-rw-r--r--  1 kangas  users    0 Oct 25 18:57 spam/dbwritelock

-rw-r--r--  1 kangas  users   16 Oct 25 18:57 spam/webdb/linksByMD5/data

-rw-r--r--  1 kangas  users   16 Oct 25 18:57 spam/webdb/linksByMD5/index

-rw-r--r--  1 kangas  users   16 Oct 25 18:57 spam/webdb/linksByURL/data

-rw-r--r--  1 kangas  users   16 Oct 25 18:57 spam/webdb/linksByURL/index

-rw-r--r--  1 kangas  users   89 Oct 25 18:57 spam/webdb/pagesByMD5/data

-rw-r--r--  1 kangas  users   97 Oct 25 18:57 spam/webdb/pagesByMD5/index

-rw-r--r--  1 kangas  users  115 Oct 25 18:57 spam/webdb/pagesByURL/data

-rw-r--r--  1 kangas  users   58 Oct 25 18:57 spam/webdb/pagesByURL/index

-rw-r--r--  1 kangas  users   17 Oct 25 18:57 spam/webdb/stats

我们可以看到，一个新的state文件生成，并且在文件夹pagesby…中的data/index文件被修改

Generate命令：net.nutch.tools.FetchListTool类

此命令的主要作用是为fetch命令的执行做准备，产生其所需的新segments。格式：

FetchListTool <db_dir> <segment_dir> [-refetchonly] [-anchoroptimize linkdb] [-topN N] [-cutoff cutoffscore]
 [-numFetchers numFetchers] [-adddays numDays]

FetchListTool 被用于生成一个或者多个segments。那Segmnet是什么呢？

Segment代表一个网页集合，这个集合中的网页被作为一个小的单元统一地进行抓取和索引。
它里面存储的数据主要有三个类型：

·         a "fetchlist": 将要被抓取的网页的名称列表

·         the "fetcher output": 被抓取回来的网页的文件集合

·         the "index":利用lucene为 the fetcher output 建立的索引
FetchListTool.main()在CrawlTool.main()中被调用，调用时带了两个参数(dir + "/db", dir + "/segments")，
在处理这些参数的基础上返回一个自身的实例对象flt.emitFetchList()。运行此命令，详情如下所示：

$ bin/nutch generate spam spam_segments

$ find spam -type file | xargs ls -l

-rw-r--r--  1 kangas  users    0 Oct 25 20:18 spam/dbreadlock

-rw-r--r--  1 kangas  users    0 Oct 25 20:18 spam/dbwritelock

-rw-r--r--  1 kangas  users   16 Oct 25 20:18 spam/webdb/linksByMD5/data

-rw-r--r--  1 kangas  users   16 Oct 25 20:18 spam/webdb/linksByMD5/index

-rw-r--r--  1 kangas  users   16 Oct 25 20:18 spam/webdb/linksByURL/data

-rw-r--r--  1 kangas  users   16 Oct 25 20:18 spam/webdb/linksByURL/index

-rw-r--r--  1 kangas  users   89 Oct 25 20:18 spam/webdb/pagesByMD5/data

-rw-r--r--  1 kangas  users   97 Oct 25 20:18 spam/webdb/pagesByMD5/index

-rw-r--r--  1 kangas  users  115 Oct 25 20:18 spam/webdb/pagesByURL/data

-rw-r--r--  1 kangas  users   58 Oct 25 20:18 spam/webdb/pagesByURL/index

-rw-r--r--  1 kangas  users   17 Oct 25 20:18 spam/webdb/stats

$ find spam_segments/ -type file | xargs ls -l

-rw-r--r--  1 kangas  users  113 Oct 25 20:18 spam_segments/20041026001828/fetchlist/data

-rw-r--r--  1 kangas  users   40 Oct 25 20:18 spam_segments/20041026001828/fetchlist/index

我们可以看到，网页库的文件夹（spam）没有变化，但是segment的文件夹被创建了，里面包括data和index文件。

下面我们来研究一下fetch操作，在爬虫中，抓取是最主要的操作。

Fetch命令：net.nutch.fetcher.Fetcher

此命令的作用就是抓取网页，但是需要注意的是，抓取的单位不是单个的网页，
而是同属于一个segment的网页集合。命令格式：

Fetcher [-logLevel level] [-showThreadID] [-threads n] dir

在进行fetch之前，我们已经生成了webdb，在其中初始化写入了URL，并且生成了segment留待写入抓取内容。
我们首先看一下Fetcher类，然后运行一下看其效果。

net.nutch.fetcher.Fetcher类依靠下面几个类：

l         FetcherThread, an inner class

l         net.nutch.parse.ParserFactory

l         net.nutch.plugin.PluginRepository

l         and, of course, any "plugin" classes loaded by the PluginRepository

Fetcher类中的main()函数的功能主要是读取参数，实例化一个Fetcher对象，设置选项，然后调用run()函数。
Fetcher类的构造函数很简单，
它只是实例化了所有的输入输出流：

Run()函数逐个的实例化抓取线程FetcherThread对象，然后触发各个线程的start()函数，
在其共初始化threadCount个线程并等待线程结束后或者出现大的异常后，
此函数调用close()结束输入输出流。

FetcherThread是Fetcher类的一个内部类，它继承于java.lang.Thread类，它只有一个实体方法run()和
三个静态函数：handleFetch(), handleNoFetch(), and logError().

FetcherThread.run()实例化了一个新的FetchListEntry实例名叫”fle”，然后执行以下循环：

1.      如果出现错误，记录并退出循环

2.       从FetchList中取得下一个URL集，如果取得结果为空，退出循环

3.       从FetchListEntry解析出URL

4.       如果FetchListEntry没有被标记为”fetch”（未抓取此URL的网页），
那么调用this.handleNoFetch()函数，设置status=1。然后逐步执行：

Ø         取得此URL的MD5摘要

Ø         建立FetcherOutput(fle, hash, status)

Ø         建立空的Content、ParseText和 ParseData对象

Ø         利用这些对象调用Fetcher.outputPage()函数

5.      如果标记为”fetch”（已抓取此URL的网页），调用ProtocolFactory并取得符合此URL的协议和内容对象。

6.       调用Call this.handleFetch(url, fle, content).然后逐步执行：

Ø         调用符合此内容类型的ParserFactory.getParser()

Ø         执行parser.getParse(content)

Ø         利用新建立的FetcherOutput和URL的MD5摘要，产生的内容对象和
已解析的ParseText调用Fetcher.outputPage()函数

7.       循环100次，在log中记录

8.       扑捉各种小的异常以及记录写入log文件

我们可以看出，Fetcher利用Factory类来选择合适的code去处理不同的内容类型：ProtocolFactory()获取URL的协议类型, 
ParserFactory 根据文件类型进行合适的内容解析。

我们可以看出，如果我们想对nutch爬虫进行功能上的扩充，比方说增加可抓取的web资源类型，如PDF什么的，
我们就可以通过对ProtocolFactory和ParserFactory的扩充来进行实现。

转载本文章出处http://blog.donews.com/52se