heritrix 提高抓取速度

最近一直用heritrix爬取网站，  晚上heritrix一直运行着， 但奇怪的是heritrix 抓取速度非常慢， 抓取一个网站， 用了8个多小时， 竟然没有运行完。 于是根据LOG 分析了一下慢的原因

 

 -----===== SNOOZED QUEUES =====-----
SNOOZED#0:
Queue us,imageshack,img245,+2 (p1)
  1 items
   wakes in: 99m19s74ms
    last enqueued: http://img245.xxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg
      last peeked: http://img245.xxxx.us/img245/596/193183637x01ss500sclzzzbx0.jpg
   total expended: 12 (total budget: -1)
   active balance: 2988
   last(avg) cost: 1(1)
   totalScheduled fetchSuccesses fetchFailures fetchDisregards fetchResponses robotsDenials successBytes totalBytes fetchNonResponses
   2 1 0 0 1 0 59 59 12
   SimplePrecedenceProvider
   1

 SNOOZED QUene 里面有一些图片一直在那里， 并且运行时间相当长，

用浏览器打开， 那图片不存在，于是那图片一直在QUENE当中。

 

接着我分析了一下heritrix 中代码：

 

workQueneFrontier 有下面代码， 由于图片不存在会进入needsRetrying代码块中。

      
        if (needsRetrying(curi)) {
            // Consider errors which can be retried, leaving uri atop queue
            if(curi.getFetchStatus()!=S_DEFERRED) {
                wq.expend(curi.getHolderCost()); // all retries but DEFERRED cost
            }
            long delay_sec = retryDelayFor(curi);
            curi.processingCleanup(); // lose state that shouldn't burden retry

                wq.unpeek(curi);
                // TODO: consider if this should happen automatically inside unpeek()
                wq.update(this, curi); // rewrite any changes
                if (delay_sec > 0) {
                    long delay_ms = delay_sec * 1000;
                    snoozeQueue(wq, now, delay_ms);
                } else {
                    reenqueueQueue(wq);
                }

            // Let everyone interested know that it will be retried.
            appCtx.publishEvent(
                new CrawlURIDispositionEvent(this,curi,DEFERRED_FOR_RETRY));
            doJournalRescheduled(curi);
            return;
        }

 

 

 

 retryDelayFor方法是用来抓取失败， 计算等待的时间， 代码于如下

 

    /**
     * Return a suitable value to wait before retrying the given URI.
     * 
     * @param curi
     *            CrawlURI to be retried
     * @return millisecond delay before retry
     */
    protected long retryDelayFor(CrawlURI curi) {
        int status = curi.getFetchStatus();
        return (status == S_CONNECT_FAILED || status == S_CONNECT_LOST ||
                status == S_DOMAIN_UNRESOLVABLE)? getRetryDelaySeconds() : 0;
                // no delay for most
    }

    public int getRetryDelaySeconds() {
        return (Integer) kp.get("retryDelaySeconds");
    }

 

由于heritrix 默认是等待900秒， 也就是15分钟， 如果抓取失败一个小时也只能运行4次， 8 个小时也就是32次， 难怪一直在运行啊

 

  /** for retryable problems, seconds to wait before a retry */
    {
        setRetryDelaySeconds(900);
    }

 知道原因后就好办了， 修改一下配置文件：

 

 <!-- FRONTIER: Record of all URIs discovered and queued-for-collection -->
 <bean id="frontier" 
   class="org.archive.crawler.frontier.BdbFrontier">
  <!-- <property name="holdQueues" value="true" /> -->
  <!-- <property name="queueTotalBudget" value="-1" /> -->
  <!-- <property name="balanceReplenishAmount" value="3000" /> -->
  <!-- <property name="errorPenaltyAmount" value="100" /> -->
  <!-- <property name="precedenceFloor" value="255" /> -->
  <!-- <property name="queuePrecedencePolicy">
        <bean class="org.archive.crawler.frontier.precedence.BaseQueuePrecedencePolicy" />
       </property> -->
  <!-- <property name="snoozeLongMs" value="300000" /> -->
   <property name="retryDelaySeconds" value="90" /> 
  <!-- <property name="maxRetries" value="30" /> -->
  <!-- <property name="recoveryDir" value="logs" /> -->
  <!-- <property name="recoveryLogEnabled" value="true" /> -->
  <!-- <property name="maxOutlinks" value="6000" /> -->
  <!-- <property name="outboundQueueCapacity" value="50" /> -->
  <!-- <property name="inboundQueueMultiple" value="3" /> -->
  <!-- <property name="dumpPendingAtClose" value="false" /> -->
 </bean>

 

这是heritrix3的配置， 把时间改成90秒， 也就是只等待1分半钟，

如果是H1的配置， 那可以用管理界面进行配置。

改了一下速度一下提高了很多， 原来8小时才能爬完一个网站， 现在2个小时就行了。

如果再用一下heritrix

增量抓取， 那下次再抓取这个网站时， 速度又会增加很多。这样问题解决了