Heritrix源码分析(十四) 如何让Heritrix不间断的抓取
tonygsw 2010-11-21
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:
/**
* 从调度中心获取下一个要抓取的URL
*
*/
public CrawlURI next() throws InterruptedException, EndedException {
while (true) {//一直不停的循环,直到遇到异常或终止
<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
synchronized (this) {
if (this.controller.getFrontier().isEmpty()) { //如果没有可抓取的URL
loadSeeds(); //重新载入种子
this.controller.getToePool().notifyAll(); //唤醒所有抓取线程
}
}</span>
long now = System.currentTimeMillis();//开始获取时间
// 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
preNext(now);
/*
* 允许最多一个线程去填充准备队列(readyClassQueues)
*/
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
try {
// 空闲队列数=目标队列数-准备队列数
int activationsNeeded = targetSizeForReadyQueues()
- readyClassQueues.size();
// 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
while (activationsNeeded > 0 && !inactiveQueues.isEmpty()) {
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
activationsNeeded--;
}
} finally {
readyFiller.release();// 必须释放，这样下次才可以继续使用
}
}
WorkQueue readyQ = null;//准备工作队列
// 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
Object key = readyClassQueues.poll(DEFAULT_WAIT,TimeUnit.MILLISECONDS);// 获得classKey，然后再通过classKey去获得队列
if (key != null) {
readyQ = (WorkQueue) this.allQueues.get(key);// 获得工作队列WorkQueue
}
if (readyQ != null) {
while (true) { // 一直循环,直到抛出异常或终止
CrawlURI curi = null;
synchronized (readyQ) {//锁定准备队列,让其他线程无法获取,避免脏读
curi = readyQ.peek(this); // 从数据库pendingUrls中获取CrawlURI
if (curi != null) {
// 检查该curi是否属于不同的队列
String currentQueueKey = getClassKey(curi);
if (currentQueueKey.equals(curi.getClassKey())) {
//在正确的队列，排放它
noteAboutToEmit(curi, readyQ);
inProcessQueues.add(readyQ);// 加入已处理队列
return curi;
}
curi.setClassKey(currentQueueKey);
readyQ.dequeue(this); //从调度器中删除刚获取到的URL
decrementQueuedCount(1); //计数
curi.setHolderKey(null);
} else {
readyQ.clearHeld();
break;
}
}
if (curi != null) {
sendToQueue(curi); //将获取到的URL发送到它该属于的队列
}
}
} else {
if (key != null) {
logger.severe("Key " + key
+ " in readyClassQueues but not allQueues");
}
}
//如果该强烈退出,则抛异常结束循环
if (shouldTerminate) {
throw new EndedException("shouldTerminate is true");
}
//如果没有处理中的队列，则刷新该队列
if (inProcessQueues.size() == 0) {
this.alreadyIncluded.requestFlush();
}
}
} 