Nutch 源码分析 (1)

org.apache.nutch.crawl.Crawl类的主函数如下所示：

// 应该知道，Nutch查找文件系统是基于Linux系统的机制的，所以提供启动的命令与Linux的Shell命令很相似。

public static void main(String args[]) throws Exception {
if (args.length < 1) { // 检查命令行参数是否合法，如果小于1个参数，则给出提示。
System.out.println
("Usage: Crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN N]");
return;
}

Configuration conf = NutchConfiguration.create(); // 使用静态类NutchConfiguration创建一个org.apache.hadoop.conf.Configuration实例，可以在Hadoop的源代码中查看到该类的定义(读取hadoop-site.xml配置文件)
conf.addDefaultResource("crawl-tool.xml"); // 读取并设置抓取工具的配置文件，可以在nutch-0.9\conf目录下找到crawl-tool.xml文件
JobConf job = new NutchJob(conf); // 抓取任务配置实例的创建

Path rootUrlDir = null; // 初始URLs文件所在的目录，使用Hadoop的org.apache.hadoop.fs.Path类创建目录
Path dir = new Path("crawl-" getDate()); // 设置默认抓取到网页的存放目录。如果命令行中没有指定-dir 的值就会使用默认的值：crawl-时间。
int threads = job.getInt("fetcher.threads.fetch", 10); // 设置默认抓取工作启动线程数目，默认值为10。
int depth = 5; // 默认抓取工作遍历深度，默认值为5。
int topN = Integer.MAX_VALUE; // 抓取任务抓取网页的数量，默认为最大值。

for (int i = 0; i < args.length; i ) { // 根据读取的命令行，设置抓取工作配置信息。
if ("-dir".equals(args[i])) {
dir = new Path(args[i 1]);
i ;
} else if ("-threads".equals(args[i])) {
threads = Integer.parseInt(args[i 1]);
i ;
} else if ("-depth".equals(args[i])) {
depth = Integer.parseInt(args[i 1]);
i ;
} else if ("-topN".equals(args[i])) {
topN = Integer.parseInt(args[i 1]);
i ;
} else if (args[i] != null) {
rootUrlDir = new Path(args[i]);
}
}

FileSystem fs = FileSystem.get(job); // 根据抓取工作配置JobConf创建一个用来存放抓取到的网页的目录。
if (fs.exists(dir)) {
throw new RuntimeException(dir " already exists."); // 如果该目录已经存在，则发生运行时异常。
}

if (LOG.isInfoEnabled()) { // 登录日志信息
LOG.info("crawl started in: " dir);
LOG.info("rootUrlDir = " rootUrlDir);
LOG.info("threads = " threads);
LOG.info("depth = " depth);
if (topN != Integer.MAX_VALUE)
LOG.info("topN = " topN);
}

// 在目录dir下面创建下面5个目录，用来存放，抓取工作过程中不同操作生成的文件或者目录。

Path crawlDb = new Path(dir "/crawldb");
Path linkDb = new Path(dir "/linkdb");
Path segments = new Path(dir "/segments");
Path indexes = new Path(dir "/indexes");
Path index = new Path(dir "/index");

Path tmpDir = job.getLocalPath("crawl" Path.SEPARATOR getDate());
Injector injector = new Injector(conf); // 根据Configuration conf创建一个Injector实例
Generator generator = new Generator(conf); // 根据Configuration conf创建一个Generator实例
Fetcher fetcher = new Fetcher(conf); // 根据Configuration conf创建一个Fetcher实例
ParseSegment parseSegment = new ParseSegment(conf); // 根据Configuration conf创建一个ParseSegment实例
CrawlDb crawlDbTool = new CrawlDb(conf); // 根据Configuration conf创建一个CrawlDb实例
LinkDb linkDbTool = new LinkDb(conf); // 根据Configuration conf创建一个LinkDb实例
Indexer indexer = new Indexer(conf); // 根据Configuration conf创建一个Indexer实例
DeleteDuplicates dedup = new DeleteDuplicates(conf); // 根据Configuration conf创建一个DeleteDuplicates实例
IndexMerger merger = new IndexMerger(conf); // 根据Configuration conf创建一个IndexMerger实例

// 初始化crawlDb
injector.inject(crawlDb, rootUrlDir); // 从rootUrlDir目录中读取初始化URLs，将URLs注入到CrawlDb实体中去
int i;
for (i = 0; i < depth; i ) { // 在segment文件中生成抓取工作列表
Path segment = generator.generate(crawlDb, segments, -1, topN, System
.currentTimeMillis(), false, false);
if (segment == null) {
LOG.info("Stopping at depth=" i " - no more URLs to fetch.");
break;
}
fetcher.fetch(segment, threads); // 根据配置的线程数开始抓取网页文件
if (!Fetcher.isParsing(job)) {
parseSegment.parse(segment); // 解析网页文件
}
crawlDbTool.update(crawlDb, new Path[]{segment}, true, true); // 更新CrawlDb
}
if (i > 0) {
linkDbTool.invert(linkDb, segments, true, true, false); // invert links

indexer.index(indexes, crawlDb, linkDb, fs.listPaths(segments)); // 索引过程
dedup.dedup(new Path[] { indexes }); // 复制索引文件
merger.merge(fs.listPaths(indexes), index, tmpDir); // 将索引目录index中的索引文件合并后写入到indexes目录中
} else {
LOG.warn("No URLs to fetch - check your seed list URL filters.");
}
if (LOG.isInfoEnabled()) { LOG.info("crawl finished: " dir); }
}

通过上面的源代码的整体分析，总结一下具体都在这里做了哪些工作：

1、读取命令行参数，合法以后才继续初始化配置实例；

2、通过读取hadoop-site.xml配置文件，初始化一个Configuration实例，并根据crawl-tool.xml文件内容设置抓取工作配置；

3、设置一些默认抓取工作参数，如果命令行中没有指定就会按照默认的参数值进行抓取工作的执行，比如，抓取工作抓取到的网页文件存放目录rootUrlDir、启动的抓取工作进程数threads、抓取深度depth、抓取网页数量topN；

4、创建抓取工作抓取到的网页文件的存放目录，及其子目录(crawldb、linkdb、segments、indexes、index)，这些子目录有的是用来存放原生网页，有的是预处理网页文件，有的是网页解析出的文本内容及其其它相关数据等等；

5、在抓取工作及其索引过程中，要进行很多操作来对网页文件或数据进行处理，这通过初始化一些实现了这些操作的类的实例来完成的，例如：Injector、Generator、Fetcher、ParseSegment、CrawlDb、LinkDb、Indexer、DeleteDuplicates、IndexMerger。这些类中，有的是作为实体类，像CrawlDb、LinkDb，它们需要在抓取工作执行过程中及时更新，保持数据状态的处于良好正确状态。

6、最后，就开始执行相关操作了，包括初始化CrawlDb、生成抓取工作列表、抓取网页文件、更新CrawlDb、倒排Links、建立索引、复制索引文件、合并索引文件。