Apache Nutch 1.3 学习笔记六（ParseSegment）-白红宇

Apache Nutch 1.3 学习笔记六（ParseSegment）

阅读量：6610 次

发布时间：2019-06-24

本文共 9273 字，大约阅读时间需要 30 分钟。

1. bin/nutch parse

这个命令主要是用来解析抓取的内容，对其进行外链接分析，计算分数等操作，这个解析在抓取的时候就可以设置是否进行，如果在抓取的时候没有设置解析抓取的网页内容，那这边可以单独用一个Map-Reduce任务来做。

后面的参数为：Usage: ParseSegment segment

这里是一个segment的目录名

2. ParseSegment源代码分析

2.1 任务的启动

ParseSegment任务的启动也是用一个Map-Reduce任务的，下面是它的源代码

// 配置一个Job

JobConf job = new NutchJob(getConf());

job.setJobName("parse " + segment);

// add content directory to FileInputFormat path

// 把segment目录下的content目录加入输入路径中

FileInputFormat.addInputPath(job, new Path(segment, Content.DIR_NAME));

job.set(Nutch.SEGMENT_NAME_KEY, segment.getName());

// set input format

// 设置输入格式

job.setInputFormat(SequenceFileInputFormat.class);

// 设置Map-Reduce方法

job.setMapperClass(ParseSegment.class);

job.setReducerClass(ParseSegment.class);

// 设置输出路径

FileOutputFormat.setOutputPath(job, segment);

// Parse Output Format to output

// 设置输出格式

job.setOutputFormat(ParseOutputFormat.class);

// 设置输出的<key,value>类型<Text,ParseImpl>

job.setOutputKeyClass(Text.class);

// NOTE：这里注意一下，输出的value为ParseImpl，而ParseOutputFormat的输出为Parse，

// 这里的ParseImpl是实现Parse接口的，是is-a的关系

job.setOutputValueClass(ParseImpl.class);

JobClient.runJob(job);

2.2 ParseSegment类中的Map与Reduce分析

这个类主要是用来分析content中的内容，它实现了Mapper与Reducer接口

在Mapper中，主要是对content内容进行调用相应的插件进行解析，产生一个ParseResult，再遍历这个ParseResult,把其中解析出来的内容collect出去。这个ParseResult是一个收集解析结果的容器，其元素为<Text,Parse>对，这里解析可能产生多个这样的输出元素对，因为这里可能有多个内容与原url进行关联，所以就有可能产生多个<Text,Parse>输出

这里的Reduce很有趣，只是收集第一个<Text,Parse>对，还不知道是为什么，可能是因为它认为第一个<Text,Parse>的权重最大吧。如果有谁知道的，请告诉我一下。

2.3 ParseOutputFormat的分析

我们知道，在写关于Map-Reduce的时候，有时我们想自己控制输出的源，这里你就要实现其架构提供的OutputFormat，前提是你没有找到合适的输出方法，因为Hadoop框架提出了几个常用的OutputFormat方法。

在实现的OutputFormat接口，主要是实现一个叫getRecordWriter，这个方法返回一个自定义的RecordWriter的子类，用用于写出Reducer的输出<key,value>对，注意一下，在Hadoop架构中，一个<key,value>也叫一条记录。

下面我们来分析一下这个getReocrdWriter方法，源代码如下：

呵呵，不要被吓到，一步步分析，老外的代码还是很好看的

public RecordWriter<Text, Parse> getRecordWriter(FileSystem fs, JobConf job,

String name, Progressable progress) throws IOException {

// 这里根据配置生成一个url过滤器

this.filters = new URLFilters(job);

// 这里生成一个url的规格化对象

this.normalizers = new URLNormalizers(job, URLNormalizers.SCOPE_OUTLINK);

// 这里生成一个分数计算器

this.scfilters = new ScoringFilters(job);

// 配置url的抓取间隔

final int interval = job.getInt("db.fetch.interval.default", 2592000);

// 得到是否要解析外链接

final boolean ignoreExternalLinks = job.getBoolean("db.ignore.external.links", false);

// 得到每一个网页外链接的解析个数,默认是100个，

int maxOutlinksPerPage = job.getInt("db.max.outlinks.per.page", 100);

final int maxOutlinks = (maxOutlinksPerPage < 0) ? Integer.MAX_VALUE

: maxOutlinksPerPage;

// 设置输出的压缩方法

final CompressionType compType = SequenceFileOutputFormat.getOutputCompressionType(job);

// 设置输出的路径

Path out = FileOutputFormat.getOutputPath(job);

// 这里是得到输出的三个目录名，crawl_parse,parse_data,parse_text

Path text = new Path(new Path(out, ParseText.DIR_NAME), name);

Path data = new Path(new Path(out, ParseData.DIR_NAME), name);

Path crawl = new Path(new Path(out, CrawlDatum.PARSE_DIR_NAME), name);

// 得到元数据的解析配置

final String[] parseMDtoCrawlDB = job.get("db.parsemeta.to.crawldb","").split(" *, *");

// 生成parse_text目录的输出方法

final MapFile.Writer textOut =

new MapFile.Writer(job, fs, text.toString(), Text.class, ParseText.class,

CompressionType.RECORD, progress);

// 生成parse_data目录的输出方法

final MapFile.Writer dataOut =

new MapFile.Writer(job, fs, data.toString(), Text.class, ParseData.class,

compType, progress);

// 生成crawl_parse的输出方法

final SequenceFile.Writer crawlOut =

SequenceFile.createWriter(fs, job, crawl, Text.class, CrawlDatum.class,

compType, progress);

// 这里使用了inner class

return new RecordWriter<Text, Parse>() {

// 实现writer方法，写出<key,value>到指定的输出源

public void write(Text key, Parse parse)

throws IOException {

String fromUrl = key.toString();

String fromHost = null;

String toHost = null;

// 输出解析后的文本到parse_text目录

textOut.append(key, new ParseText(parse.getText()));

ParseData parseparseData = parse.getData();

// 这里抓取的网页内容是否有唯一的标记，如果有的话，用这个标记再生成一个CrawlDatum，

// recover the signature prepared by Fetcher or ParseSegment

String sig = parseData.getContentMeta().get(Nutch.SIGNATURE_KEY);

if (sig != null) {

byte[] signature = StringUtil.fromHexString(sig);

if (signature != null) {

// append a CrawlDatum with a signature

CrawlDatum d = new CrawlDatum(CrawlDatum.STATUS_SIGNATURE, 0);

d.setSignature(signature);

crawlOut.append(key, d); // 输出到crawl_parse目录中去

}

}

// see if the parse metadata contain things that we'd like

// to pass to the metadata of the crawlDB entry

// 查看解析的内容中是否包括设置的元数据信息，如果包含定义的元数据，

// 那就新生成一个CrawlDatum，输出到crawl_parse目录

CrawlDatum parseMDCrawlDatum = null;

for (String mdname : parseMDtoCrawlDB) {

String mdvalue = parse.getData().getParseMeta().get(mdname);

if (mdvalue != null) {

if (parseMDCrawlDatum == null) parseMDCrawlDatum = new CrawlDatum(

CrawlDatum.STATUS_PARSE_META, 0);

parseMDCrawlDatum.getMetaData().put(new Text(mdname),

new Text(mdvalue));

}

}

// 输出新生成的CrawlDatum

if (parseMDCrawlDatum != null) crawlOut.append(key, parseMDCrawlDatum);

// 这一块是处理页面的重定向的，如果当前url被重定向的了，并且这个重定向后的url没有被过滤

// 那新生成一个CrawlDatum，输出到crawl_parse目录

try {

ParseStatus pstatus = parseData.getStatus();

if (pstatus != null && pstatus.isSuccess() &&

pstatus.getMinorCode() == ParseStatus.SUCCESS_REDIRECT) {

String newUrl = pstatus.getMessage();

int refreshTime = Integer.valueOf(pstatus.getArgs()[1]);

try {

newUrl = normalizers.normalize(newUrl,

URLNormalizers.SCOPE_FETCHER);

} catch (MalformedURLException mfue) {

newUrl = null;

}

if (newUrl != null) newUrl = filters.filter(newUrl);

String url = key.toString();

if (newUrl != null && !newUrl.equals(url)) {

String reprUrl =

URLUtil.chooseRepr(url, newUrl,

refreshTime < Fetcher.PERM_REFRESH_TIME);

CrawlDatum newnewDatum = new CrawlDatum();

newDatum.setStatus(CrawlDatum.STATUS_LINKED);

if (reprUrl != null && !reprUrl.equals(newUrl)) {

newDatum.getMetaData().put(Nutch.WRITABLE_REPR_URL_KEY,

new Text(reprUrl));

}

crawlOut.append(new Text(newUrl), newDatum);

}

}

} catch (URLFilterException e) {

// ignore

}

// 这一块主要是处理外链接的

// collect outlinks for subsequent db update

Outlink[] links = parseData.getOutlinks();

// 得到要存储的外链接数量

int outlinksToStore = Math.min(maxOutlinks, links.length);

if (ignoreExternalLinks) {

try {

// 得到当前url的host

fromHost = new URL(fromUrl).getHost().toLowerCase();

} catch (MalformedURLException e) {

fromHost = null;

}

} else {

fromHost = null;

}

// 这一块主要是对链接进行过滤，规格化

int validCount = 0;

CrawlDatum adjust = null;

List<Entry<Text, CrawlDatum>> targets = new ArrayList<Entry<Text, CrawlDatum>>(outlinksToStore);

List<Outlink> outlinkList = new ArrayList<Outlink>(outlinksToStore);

for (int i = 0; i < links.length && validCount < outlinksToStore; i++) {

String toUrl = links[i].getToUrl();

// ignore links to self (or anchors within the page)

if (fromUrl.equals(toUrl)) {

continue;

}

if (ignoreExternalLinks) {

try {

toHost = new URL(toUrl).getHost().toLowerCase();

} catch (MalformedURLException e) {

toHost = null;

}

if (toHost == null || !toHost.equals(fromHost)) { // external links

continue; // skip it

}

}

try {

toUrl = normalizers.normalize(toUrl,URLNormalizers.SCOPE_OUTLINK); // normalize the url

toUrl = filters.filter(toUrl); // filter the url

if (toUrl == null) {

continue;

}

} catch (Exception e) {

continue;

}

// 生成新的CrawlDatum，初始化其抓取间隔与分数

CrawlDatum target = new CrawlDatum(CrawlDatum.STATUS_LINKED, interval);

Text targetUrl = new Text(toUrl);

try {

scfilters.initialScore(targetUrl, target);

} catch (ScoringFilterException e) {

LOG.warn("Cannot filter init score for url " + key +

", using default: " + e.getMessage());

target.setScore(0.0f);

}

//放入目标容器，用于后面计算每一个外链接的分数

targets.add(new SimpleEntry(targetUrl, target));

outlinkList.add(links[i]);

validCount++;

}

try {

// compute score contributions and adjustment to the original score

// 计算每一个外链接的贡献值，用来调整原url的分数

adjust = scfilters.distributeScoreToOutlinks((Text)key, parseData,

targets, null, links.length);

} catch (ScoringFilterException e) {

LOG.warn("Cannot distribute score from " + key + ": " + e.getMessage());

}

// 输出链接到crawl_parse目录中

for (Entry<Text, CrawlDatum> target : targets) {

crawlOut.append(target.getKey(), target.getValue());

}

// 看源url是否有调整，有的话就输出到crawl_parse目录中

if (adjust != null) crawlOut.append(key, adjust);

// 得到过滤后的外链接

Outlink[] filteredLinks = outlinkList.toArray(new Outlink[outlinkList.size()]);

// 生成新的ParseData对象

parseData = new ParseData(parseData.getStatus(), parseData.getTitle(),

filteredLinks, parseData.getContentMeta(),

parseData.getParseMeta());

dataOut.append(key, parseData);

// 判断解析的数据是否来由当前原url,如果不是，那新生成一个CrawlDatum,输出到crawl_parse目录中

if (!parse.isCanonical()) {

CrawlDatum datum = new CrawlDatum();

datum.setStatus(CrawlDatum.STATUS_FETCH_SUCCESS);

String timeString = parse.getData().getContentMeta().get(Nutch.FETCH_TIME_KEY);

try {

datum.setFetchTime(Long.parseLong(timeString));

} catch (Exception e) {

LOG.warn("Can't read fetch time for: " + key);

datum.setFetchTime(System.currentTimeMillis());

}

crawlOut.append(key, datum);

}

}

3. 总结

这里主要看了一下ParseSegment的实现流程和分析了一下其源代码，其中用到了OutputFormat的多路输出方法，这里还实现了对于源链接分数的调整算法，使用了插件中的一个叫scoring-opic的插件，叫OPICScoringFilter，全称叫Online Page Importance Computation。

作者：http://blog.csdn.net/amuseme_lu