我使用apachenutch以编程方式在emr集群中以6个周期对大约7000个url进行爬网(在爬网过程中几乎没有定制的map reduce作业)。版本是:nutch=v1.15 hadoop=2.7.3我在amazonemr集群上运行它,有20个ec2 m4.1大型spot示例。爬网的代码是:
public crawl(Folder seeds, Folder output)
throws IOException, InterruptedException {
final Folder crawldb = output.folder("crawldb");
try {
new Injector(this.conf).inject(
crawldb.path(), seeds.path(),
true, true
);
} catch (final ClassNotFoundException err) {
throw new IOException("Failed to inject URLs", err);
}
final Folder segments = output.mkdir("segments");
// cycles = 6 in my case
for (int idx = 0; idx < cycles; ++idx) {
this.cycle(crawldb, segments);
}
}
private void cycle(final Folder crawldb, final Folder segments)
throws IOException, InterruptedException {
try {
Logger.info(this, "Generating...");
// configured as 1_000_000 in EMR cluster
final int topn = this.conf.getInt("yc.gen.topn", 1000);
// configured as 40 (2 x slave_nodes) in EMR cluster
final int nfetch = this.conf.getInt("yc.gen.nfetch", 1);
new Generator(this.conf).generate(
crawldb.path(),
segments.path(),
nfetch, topn, System.currentTimeMillis()
);
// the latest segment
final Optional<Folder> next = Batch.nextSegment(segments);
if (next.isPresent()) {
final Path sgmt = next.get().path();
Logger.info(this, "Fetching %s...", sgmt);
new Fetcher(this.conf).fetch(
// @checkstyle MagicNumber (1 line)
sgmt, 10
);
Logger.info(this, "Parsing %s...", sgmt);
new ParseSegment(this.conf).parse(sgmt);
}
new CrawlDb(this.conf).update(
crawldb.path(),
// all segments paths
segments.subfolders().stream()
.toArray(Path[]::new),
true, true
);
} catch (final ClassNotFoundException err) {
throw new IOException(
"Failed to generate/fetch/parse segment", err
);
}
}
当我用7000个种子url和6个运行周期运行它时,nutch会变得非常慢 FetchData
工作:它运行了大约3个小时,它似乎是等待最后一个Map完成约2.5个小时(见截图附件)。这项工作可能有什么问题以及如何加快fetchdata阶段的速度,也许我可以将其配置为跳过缓慢的fetcher(如果我错过几个url,这不是一个大问题)。
1条答案
按热度按时间9cbw7uwe1#
nutch的generator作业按主机将fetch列表划分为队列(或者域,请参阅
partition.url.mode
). 一个回迁队列的所有URL都在一个回迁Map任务中处理,以确保礼貌约束—任何时候只有一个到一个主机的连接,并且到同一主机的请求之间保证有延迟。分区对于性能也很重要,因为dns解析、robots.txt解析和结果缓存可以在Map任务中本地完成。如果一个或几个获取队列太长或几个已爬网的主机响应太慢,这些队列将“阻止”爬网进程。为了克服这个问题,有三种选择甚至可以结合起来:
限制允许使用属性运行获取程序Map任务的时间
fetcher.timelimit.mins
. 如果达到时间限制,则将跳过获取队列中的剩余URL,并在下一个周期中获取。确保没有队列过大
generate.max.count
以及generate.count.mode
(仅当允许使用更具攻击性的设置对所有主机进行爬网时)可以使用更短的爬网延迟(fetcher.server.delay
)甚至允许并联(fetcher.threads.per.queue
)有更多的选项来优化爬网的性能,所有属性都记录在文件中
conf/nutch-default.xml
. 默认值可以确保仅限于一组主机/域的爬网的完整性,并且需要更改以在广泛的爬网中获得高吞吐量,在这种情况下,某些主机/域不能完全爬网。