Apache Nutch 1.3 学习笔记三（Inject CrawlDB Reader）

上次我们分析了Inject的整个流程，其中说到了Inject的输出格式是MapSequenceFileOutputFormat，这个格式可以使用一个叫CrawlDbReader的工具来读取和分析。下面我们就来分析一下这个工具有哪些用。

1. CrawlDbReader工具的使用方法

在命令行中运行bin/nutch readdb后就可以看到其帮助，实际上这个shell方法调用的正是CrawlDbReader的main方法，这个工具有下面几种使用方法：

* bin/nutch <crawldb> -stats -sort

这个方法是在终端中打印所有crawldb的统计信息，加上sort后，会输出所有host所对应的url的个数，一般格式如下

lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readdb db/crawldb/ -stats -sort
CrawlDb statistics start: db/crawldb/
Statistics for CrawlDb: db/crawldb/
TOTAL urls: 5
retry 0: 5
min score: 0.045
avg score: 0.09955
max score: 1.136
status 1 (db_unfetched): 4
baike.baidu.com : 1
hi.baidu.com : 2
home.baidu.com : 1
image.baidu.com : 1
status 2 (db_fetched): 1
www.baidu.com : 1
CrawlDb statistics: done

* bin/nutch <crawldb> -dump <out_dir> [-format normal|csv]

这个方法主要是把CrawlDb中的数据转成一般的文本格式或者是csv格式，输出到out_dir目录中

* bin/nutch <crawldb> -url <url>

这个方法主要是打印出特定url的信息

* bin/nutch <crawldb> -topN nnn <out_dir> [<min>]

这个方法主要是输出前topN个分数大于min的url，输出到out_dir中，默认这个min为0.0,本地的输出如下

lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch readdb db/crawldb/ -topN 3 out
CrawlDb topN: starting (topN=3, min=0.0)
CrawlDb db: db/crawldb/
CrawlDb topN: collecting topN scores.
CrawlDb topN: done
lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ cat out/part-00000
1.1363636 http://www.baidu.com/
0.045454547 http://tieba.baidu.com/
0.045454547 http://baike.baidu.com/

2. 下面简单分析一下上面四个流程的源代码

* bin/nutch <crawldb> -stats -sort

这个命令是调用CrawlDbReader中的processStatJob(String CrawlDb,Configuration config,boolean sort)来解决掉的
下面用一个MP任务对CrawlDb数据库进行统计，主要代码如下

JobConf job = new NutchJob(config); // 生成一个Job的配置对象
job.setJobName("stats " + crawlDb);
job.setBoolean("db.reader.stats.sort", sort); // 配置是否要进行sort操作，这个标记会在CrawlDbStatMapper中用到
// 下面是配置输入路径
FileInputFormat.addInputPath(job, new Path(crawlDb, CrawlDb.CURRENT_NAME));
job.setInputFormat(SequenceFileInputFormat.class); // 这里配置输入的文件格式，这里实际上是MapSequenceFileInputFormat,这不过这两个是通用的
job.setMapperClass(CrawlDbStatMapper.class); // 这里配置Mapper方法
job.setCombinerClass(CrawlDbStatCombiner.class); // 这里配置一个Combiner方法，这个方法主要是在Mapper端对数据进行聚合，起到了优化作用
job.setReducerClass(CrawlDbStatReducer.class); // 这里配置了相应的Reduce方法
FileOutputFormat.setOutputPath(job, tmpFolder); // 输出目录
job.setOutputFormat(SequenceFileOutputFormat.class); // 输出的文件格式
// 下面是输出的<key,value>的类型，这里为<Text,LongWritable> ，
// NOTE:这里补充说明一下，所有通过OutputFormat的数据都要继承自Hadoop的序列化框架接口Writable，用于把这个对象
// 序列化与反序列化，这里的Text这是继承自Writable接口的，所以你自定义的抽象类型要使用Hadoop的架构写出到文件中的话，
// 一定要记得继承Writable接口
job.setOutputKeyClass(Text.class);
job.setOutputValueClass(LongWritable.class);
JobClient.runJob(job); // 提交任务

下面来看一下CrawlDbStatMapper方法做了些什么，部分源代码如下：

public void map(Text key, CrawlDatum value, OutputCollector<Text, LongWritable> output, Reporter reporter)
throws IOException {
output.collect(new Text("T"), COUNT_1); // 这里统计所有url出现的次数，在Reduce端会对这个key T进行聚合，不过在
// 每一个Map端会调用相应的Combiner进行本地聚合来优化
output.collect(new Text("status " + value.getStatus()), COUNT_1); // 来统计每一种url状态的个数
output.collect(new Text("retry " + value.getRetriesSinceFetch()), COUNT_1); // 这里统计被重新抓取的url个数
output.collect(new Text("s"), new LongWritable((long) (value.getScore() * 1000.0))); // 这个统计所有url的分数这和
if(sort){ // 这个参数是configure方法得到的，代码：sort = job.getBoolean("db.reader.stats.sort", false );
URL u = new URL(key.toString());
String host = u.getHost();
output.collect(new Text("status " + value.getStatus() + " " + host), COUNT_1); // 这里统计相同状态,相同host的url的个数
}
}

这里来看一下CrawlDbStatCombiner做了些什么，这个类是继承自Reducer这个抽象类的，部分代码如下：

if (!k.equals("s")) { // 这里统计除分数外的所有相同key的value值之各
while (values.hasNext()) {
LongWritable cnt = (LongWritable)values.next();
val.set(val.get() + cnt.get());
}
output.collect(key, val);
} else { // 这里统计相同key的分数之和,这里的key就是上面Mapper中输出的's'，就是所有url的分数
long total = 0;
long min = Long.MAX_VALUE;
long max = Long.MIN_VALUE;
while (values.hasNext()) {
LongWritable cnt = (LongWritable)values.next();
if (cnt.get() < min) min = cnt.get(); // 计算最小分数
if (cnt.get() > max) max = cnt.get(); // 计算最大分数
total += cnt.get(); // 计算总分
}
output.collect(new Text("scn"), new LongWritable(min)); // 输出这个Mapper节点上的最小分数
output.collect(new Text("scx"), new LongWritable(max)); // 输出这个Mapper节点上的最大分数
output.collect(new Text("sct"), new LongWritable(total)); // 输出这个Mapper节点上的总分
}
}

Hadoop中的Combiner主要的作用是对Mapper的输出进行次优化，以减少Reducer的scoket的网络传输数据量

最后看一下那个CrawlDbStatReducer方法，主要代码如下：

String k = ((Text) key).toString();
if (k.equals("T")) { // 这里统计所有url的个数
// sum all values for this key
long sum = 0;
while (values.hasNext()) {
sum += ((LongWritable) values.next()).get();
}
// output sum
output.collect(key, new LongWritable(sum));
} else if (k.startsWith("status") || k.startsWith("retry")) {// 这里统计所有key中包含"status"与"retry"字段的value的值
LongWritable cnt = new LongWritable();
while (values.hasNext()) {
LongWritable val = (LongWritable)values.next();
cnt.set(cnt.get() + val.get());
}
output.collect(key, cnt);
} else if (k.equals("scx")) { // 这里计算url分数的max值
LongWritable cnt = new LongWritable(Long.MIN_VALUE);
while (values.hasNext()) {
LongWritable val = (LongWritable)values.next();
if (cnt.get() < val.get()) cnt.set(val.get());
}
output.collect(key, cnt);
} else if (k.equals("scn")) { // 这里统计url分数的min值
LongWritable cnt = new LongWritable(Long.MAX_VALUE);
while (values.hasNext()) {
LongWritable val = (LongWritable)values.next();
if (cnt.get() > val.get()) cnt.set(val.get());
}
output.collect(key, cnt);
} else if (k.equals("sct")) { // 这里统计所有url的总分
LongWritable cnt = new LongWritable();
while (values.hasNext()) {
LongWritable val = (LongWritable)values.next();
cnt.set(cnt.get() + val.get());
}
output.collect(key, cnt);
}

在processStatJob这个方法中最所还要读取上面MP的输出，对其数据进行规格化输出，这里就不分析了，只是要注意一点，代码如下

// reading the result
FileSystem fileSystem = FileSystem.get(config);
SequenceFile.Reader[] readers = SequenceFileOutputFormat.getReaders(config, tmpFolder);

这里使用了SequenceFileOutputFormat的Reader来读取其内容，在Reader中有一个叫next(key,value)的方法来读取相应的<key,value>对

* bin/nutch <crawldb> -dump <out_dir> [-format normal|csv]

这个命令是调用CrawlDbReader中的processDumpJob方法来做的，这个方法也是提交了一个MP任务，不过这个MP任务相对来说很简单了，就是定义了InputFormat与OutputFormat，没有定义Map与Reducer操作，来对CrawlDb的数据进行转换。

* bin/nutch <crawldb> -url url
这个命令是调用CrawlDbReader中的get方法来做的，主要用到了两个方法，一个是：

private void openReaders(String crawlDb, Configuration config) throws IOException {
if (readers != null) return;
FileSystem fs = FileSystem.get(config);
readers = MapFileOutputFormat.getReaders(fs, new Path(crawlDb,
CrawlDb.CURRENT_NAME), config);
}

这个方法主要是用于得到相应的Readers抽象，输入为CrawlDb的目录名，这个目录的文件格式为MapFileOutputFormat

另一个方法是：

CrawlDatum res = (CrawlDatum)MapFileOutputFormat.getEntry(readers,
new HashPartitioner<Text, CrawlDatum>(), key, val);

根据上面得到的readers，通过MapFileOutputFormat的static方法getEntry来得到key(url)所对应的value(CrawlDatum),注意这里getEntry返回的类型为Writable抽象，这里要cast一下.

* bin/nutch <crawldb> -topN nnn <out_dir> [<min>]

这个命令是调用CrawlDbReader中的processTopNJob方法来估物，这里也使用两个MP任务来做。
第一个MP任务主要是把<url,CrawlDatum>转换成<score,url>的格式，过滤那些score小于min的数据，用来准备数据
第二个MP任务主要是用来对score进行排序，产生topN个url，输出到一个文件中，因为这里设置了job.setNumReduceTasks(1).

NOTE:这里为什么要用两个MP任务，主要是因为这里的key是score，如果用一个MP任务，那在Reducer的时候就会对相同的key进行聚合，这时就会出问题，而这里第一个MP任务是不对key进行聚合的，这里使用了IdnetityReducer。

3. 总结
这个是工具类，主要做一些统计工作