ParseSegment - Nutch 22 Mar 2014
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
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：
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 parseData = 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，输出到crawl_parse目录去
// 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 newDatum = 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());
// 写出到parse_data目录中
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);
}
}
}
}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。