Nutch 1.3 学习笔记 4-1 SegmentReader分析

来源：互联网发布：mysql 启动失败日志编辑：程序博客网时间：2024/06/11 01:01
分类： Nutch2011-08-27 00:19 852人阅读评论(1) 收藏举报
Nutch 1.3 学习笔记 4-1 SegmentReader分析
-----------------------------------
前面我们看了一下Generate的流程，它是为Fetch产生相应的fetchlist，这里想介绍一下Segment的查看工具SegmentReader类。


1. 命令介绍[html] view plaincopy
bin/nutch readseg  
    Usage: SegmentReader (-dump ... | -list ... | -get ...) [general options]  

// 这里是一般的参数说明
[html] view plaincopy
* General options:  
        -nocontent  ignore content directory  
        -nofetch    ignore crawl_fetch directory  
        -nogenerate ignore crawl_generate directory  
        -noparse    ignore crawl_parse directory  
        -noparsedata    ignore parse_data directory  
        -noparsetext    ignore parse_text directory  

// 这里用于下载segment的内容，把其转换成文本格式，后面可以加General options参数，
// 看是不是过滤相应的目录
[html] view plaincopy
* SegmentReader -dump <segment_dir> <output> [general options]  
        Dumps content of a <segment_dir> as a text file to <output>.  
  
  
        <segment_dir> name of the segment directory.  
        <output>  name of the (non-existent) output directory.  

// 列出相应的segment信息
[html] view plaincopy
* SegmentReader -list (<segment_dir1> ... | -dir <segments>) [general options]  
        List a synopsis of segments in specified directories, or all segments in  
        a directory <segments>, and print it on System.out  
  
  
        <segment_dir1> ...    list of segment directories to process  
        -dir <segments>       directory that contains multiple segments  

// 得到相对应的url的信息
[html] view plaincopy
* SegmentReader -get <segment_dir> <keyValue> [general options]  
        Get a specified record from a segment, and print it on System.out.  
  
  
        <segment_dir> name of the segment directory.  
        <keyValue>    value of the key (url).  
            Note: put double-quotes around strings with spaces.  

2. 每一个命令的运行结果  2.1 bin/nutch readseg -dump 在本地运行其命令的结果如下：
// 下载一个segment
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readseg -dump db/segments/20110822105243/ output  
    SegmentReader: dump segment: db/segments/20110822105243  
    SegmentReader: done  

        // 下载目录浏览
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ ls output  
    dump  

// 输出一部分下载信息
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ head output/dump   
    Recno:: 0  
    URL:: http://baike.baidu.com/  
    CrawlDatum::  
    Version: 7  
    Status: 67 (linked)  
    Fetch time: Mon Aug 22 10:58:21 EDT 2011  
    Modified time: Wed Dec 31 19:00:00 EST 1969  
    Retries since fetch: 0  

我们来看一下其源代码是怎么写的，这个shell命令最终是调用org.apache.nutch.segment.SegmentReader中的dump方法，如下是这个方法的主要源代码：

[html] view plaincopy
// 这里生成一个MP任务  
JobConf job = createJobConf();  
   job.setJobName("read " + segment);  
  
  
// 查看General Options的参数，是否过滤相应的目录  
   if (ge) FileInputFormat.addInputPath(job, new Path(segment, CrawlDatum.GENERATE_DIR_NAME));  
   if (fe) FileInputFormat.addInputPath(job, new Path(segment, CrawlDatum.FETCH_DIR_NAME));  
   if (pa) FileInputFormat.addInputPath(job, new Path(segment, CrawlDatum.PARSE_DIR_NAME));  
   if (co) FileInputFormat.addInputPath(job, new Path(segment, Content.DIR_NAME));  
   if (pd) FileInputFormat.addInputPath(job, new Path(segment, ParseData.DIR_NAME));  
   if (pt) FileInputFormat.addInputPath(job, new Path(segment, ParseText.DIR_NAME));  
  
  
// 输入的目录文件格式，这里是SequenceFileInputFormat  
   job.setInputFormat(SequenceFileInputFormat.class);  
// 相应的Map与Reducer操作  
   job.setMapperClass(InputCompatMapper.class);  // 这里主要是把key转成UTF8格式，  
   job.setReducerClass(SegmentReader.class);        // 把相应的value对象反序列化成Text类型  
  
  
   Path tempDir = new Path(job.get("hadoop.tmp.dir", "/tmp") + "/segread-" + new java.util.Random().nextInt());  
   fs.delete(tempDir, true);  
     
   FileOutputFormat.setOutputPath(job, tempDir);   // 输出目录  
   job.setOutputFormat(TextOutputFormat.class);   // output text  
   job.setOutputKeyClass(Text.class);  
   job.setOutputValueClass(NutchWritable.class);  // 输出的value类型，这里要注意一下，因为上面Reducer是SegmentReader，其输出的<key,value>类型为<Text,Text>,而这里的value类型为NutchWritable，这里使用了强制类型转换。不知道这么做是为什么？  
  
  
   JobClient.runJob(job);  
  
  
   // concatenate the output  
   Path dumpFile = new Path(output, job.get("segment.dump.dir", "dump"));  
  
  
   // remove the old file  
   fs.delete(dumpFile, true);  
   FileStatus[] fstats = fs.listStatus(tempDir, HadoopFSUtil.getPassAllFilter());  
   Path[] files = HadoopFSUtil.getPaths(fstats);  
  
  
   PrintWriter writer = null;  
   int currentRecordNumber = 0;  
// 这里主要是合并上面的临时文件到正式的目录文件中output/dump  
// 并且加一些格式信息，使用append方法  
   if (files.length > 0) {  
    // create print writer with format  
     writer = new PrintWriter(new BufferedWriter(new OutputStreamWriter(fs.create(dumpFile))));  
     try {  
       for (int i = 0; i < files.length; i++) {   // read tmp files  
         Path partFile = (Path) files[i];  
         try {  
           currentRecordNumber = append(fs, job, partFile, writer, currentRecordNumber);  
         } catch (IOException exception) {  
           if (LOG.isWarnEnabled()) {  
             LOG.warn("Couldn't copy the content of " + partFile.toString() +  
                      " into " + dumpFile.toString());  
             LOG.warn(exception.getMessage());  
           }  
         }  
       }  
     } finally {  
       writer.close();  
     }  
   }  
   fs.delete(tempDir); // 删除临时目录  
   if (LOG.isInfoEnabled()) { LOG.info("SegmentReader: done"); }  

2.2 bin/nutch readseg -list在本地的运行结果如下：
列出单个Segment的信息
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readseg -list db/segments/20110822105243/  
    NAME        GENERATED   FETCHER START       FETCHER END     FETCHED PARSED  
    20110822105243  1       2011-08-22T10:56:09 2011-08-22T10:56:09 1   1  

列出多个Segment的信息
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readseg -list -dir db/segments/  
    NAME        GENERATED   FETCHER START       FETCHER END     FETCHED PARSED  
    20110822105243  1       2011-08-22T10:56:09 2011-08-22T10:56:09 1   1  
    20110825112318  9       ?       ?   ?   ?  
    20110825112320  10      ?       ?   ?   ?  

下面来看一下其源代码，调用的是SegmentReader中的list方法，主要代码如下：
这个list方法调用了另外一个getStats方法，得到单个Segment的信息

[html] view plaincopy
// 得到一个文件的读取器  
SequenceFile.Reader[] readers = SequenceFileOutputFormat.getReaders(getConf(), new Path(segment, CrawlDatum.GENERATE_DIR_NAME));  
   long cnt = 0L;  
   Text key = new Text();  
  
  
// 计算这个Segment有多少url  
   for (int i = 0; i < readers.length; i++) {  
     while (readers[i].next(key)) cnt++;  
     readers[i].close();  
   }  
   stats.generated = cnt;   // get generated url count(cnt)  
     
   // parse fetch dir  解析fetch目录，计算Fetch的开始与结束时间和fetch网页个数  
// 主要这里的fetch目录的文件格式为MapFileOutputFormat  
   Path fetchDir = new Path(segment, CrawlDatum.FETCH_DIR_NAME);  
   if (fs.exists(fetchDir) && fs.getFileStatus(fetchDir).isDir()) {  
     cnt = 0L;  
     long start = Long.MAX_VALUE;  
     long end = Long.MIN_VALUE;  
     CrawlDatum value = new CrawlDatum();  
     MapFile.Reader[] mreaders = MapFileOutputFormat.getReaders(fs, fetchDir, getConf());  
     for (int i = 0; i < mreaders.length; i++) {  
       while (mreaders[i].next(key, value)) {  
         cnt++;  
         if (value.getFetchTime() < start) start = value.getFetchTime();  
         if (value.getFetchTime() > end) end = value.getFetchTime();  
       }  
       mreaders[i].close();  
     }  
     stats.start = start;  
     stats.end = end;  
     stats.fetched = cnt;  
   }  
     
   // parse parsed dir 解析parsed目录，得到解析成功与出错的网页个数  
   Path parseDir = new Path(segment, ParseData.DIR_NAME);  
   if (fs.exists(fetchDir) && fs.getFileStatus(fetchDir).isDir()) {  
     cnt = 0L;  
     long errors = 0L;  
     ParseData value = new ParseData();  
     MapFile.Reader[] mreaders = MapFileOutputFormat.getReaders(fs, parseDir, getConf());  
     for (int i = 0; i < mreaders.length; i++) {  
       while (mreaders[i].next(key, value)) {  
         cnt++;  
         if (!value.getStatus().isSuccess()) errors++;  
       }  
       mreaders[i].close();  
     }  
     stats.parsed = cnt;  
     stats.parseErrors = errors;  
   }  

2.3 bin/nutch readseg -get 用于得到特定url的信息本机运行结果
[html] view plaincopy
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readseg -get db/segments/20110822105243/     http://hi.baidu.com/  
    SegmentReader: get 'http://hi.baidu.com/'  
    Crawl Parse::  
    Version: 7  
    Status: 67 (linked)  
    Fetch time: Mon Aug 22 10:58:21 EDT 2011  
    Modified time: Wed Dec 31 19:00:00 EST 1969  
    Retries since fetch: 0  
    Retry interval: 2592000 seconds (30 days)  
    Score: 0.045454547  
    Signature: null  
    Metadata:   

下面我们来看一下它的源代码，它是调用SegmentReader中的get方法，主要代码如下：
[html] view plaincopy
public void get(final Path segment, final Text key, Writer writer,  
          final Map<String, List<Writable>> results) throws Exception {  
    LOG.info("SegmentReader: get '" + key + "'");  
    // 这里使用的inner class来实现对于不同目录的异步读取  
    ArrayList<Thread> threads = new ArrayList<Thread>();  
    if (co) threads.add(new Thread() {  
      public void run() {  
        try {  
            // 从MapFileOutputFormat格式的文件中找到相应的key的value值  
          List<Writable> res = getMapRecords(new Path(segment, Content.DIR_NAME), key);  
          // NOTE:有没有注意到这个results是一个HashMap，而在Java中这个HashMap不是线程安全的  
          // 在极端的情况下，会出现多个线程同时put数据，这里是不是应该把result改成线程安全的  
          // 如 Map result = Collections.synchronizedMap(new HashMap(...));  
          results.put("co", res);  
        } catch (Exception e) {  
          e.printStackTrace(LogUtil.getWarnStream(LOG));  
        }  
      }  
    });  
    .....  
    if (pt) threads.add(new Thread() {  
      public void run() {  
        try {  
          List<Writable> res = getMapRecords(new Path(segment, ParseText.DIR_NAME), key);  
          results.put("pt", res);  
        } catch (Exception e) {  
          e.printStackTrace(LogUtil.getWarnStream(LOG));  
        }  
      }  
    });  
    Iterator<Thread> it = threads.iterator();  
    while (it.hasNext()) it.next().start(); // 运行所有线程  
    int cnt;  
  
  
    // 这里用一个循环还查看线程是否运行结束  
    do {  
      cnt = 0;  
      try {  
        Thread.sleep(5000);  
      } catch (Exception e) {};  
      it = threads.iterator();  
      while (it.hasNext()) {  
        if (it.next().isAlive()) cnt++;  
      }  
      if ((cnt > 0) && (LOG.isDebugEnabled())) {  
        LOG.debug("(" + cnt + " to retrieve)");  
      }  
    } while (cnt > 0);  
    // 把收集的结果输出到终端  
    for (int i = 0; i < keys.length; i++) {  
      List<Writable> res = results.get(keys[i][0]);  
      if (res != null && res.size() > 0) {  
        for (int k = 0; k < res.size(); k++) {  
          writer.write(keys[i][1]);  
          writer.write(res.get(k) + "\n");  
        }  
      }  
      writer.flush();  
    }  
  }  


  3. 总结  这里大概介绍了一下bin/nutch readseg的使用，主要是来查看前面generate和后面的fetch,parse的结束是否有问题。


  4. 参考  http://download.oracle.com/javase/1.4.2/docs/api/java/util/HashMap.html