java - 在 StormCrawler 上获取拓扑以正确写入 warc 文件

Question

stormcrawler maven 原型(prototype)似乎与我的项目中的 warc 模块配合得不太好。目前它仅创建空的 0 字节文件，其名称类似于“crawl-20180802121925-00000.warc.gz”。我在这里遗漏了什么吗？

我尝试通过创建一个默认项目来启用 warc 写入，如下所示:

mvn archetype:generate -DarchetypeGroupId=com.digitalpebble.stormcrawler -DarchetypeArtifactId=storm-crawler-archetype -DarchetypeVersion=1.10

然后将依赖项添加到 pom.xml 中的 warc 模块，如下所示

    <dependency>
        <groupId>com.digitalpebble.stormcrawler</groupId>
        <artifactId>storm-crawler-warc</artifactId>
        <version>1.10</version>
    </dependency>

然后我将 WARCHdfsBolt 添加到获取分组，同时尝试写入本地文件系统目录。

public class CrawlTopology extends ConfigurableTopology {

    public static void main(String[] args) throws Exception {
        ConfigurableTopology.start(new CrawlTopology(), args);
    }

    @Override
    protected int run(String[] args) {
        TopologyBuilder builder = new TopologyBuilder();

        String[] testURLs = new String[] { "http://www.lequipe.fr/",
                "http://www.lemonde.fr/", "http://www.bbc.co.uk/",
                "http://storm.apache.org/", "http://digitalpebble.com/" };

        builder.setSpout("spout", new MemorySpout(testURLs));

        builder.setBolt("partitioner", new URLPartitionerBolt())
                .shuffleGrouping("spout");

        builder.setBolt("fetch", new FetcherBolt())
                .fieldsGrouping("partitioner", new Fields("key"));

        builder.setBolt("warc", getWarcBolt())
                .localOrShuffleGrouping("fetch");

        builder.setBolt("sitemap", new SiteMapParserBolt())
                .localOrShuffleGrouping("fetch");

        builder.setBolt("feeds", new FeedParserBolt())
                .localOrShuffleGrouping("sitemap");

        builder.setBolt("parse", new JSoupParserBolt())
                .localOrShuffleGrouping("feeds");

        builder.setBolt("index", new StdOutIndexer())
                .localOrShuffleGrouping("parse");

        Fields furl = new Fields("url");

        // can also use MemoryStatusUpdater for simple recursive crawls
        builder.setBolt("status", new StdOutStatusUpdater())
                .fieldsGrouping("fetch", Constants.StatusStreamName, furl)
                .fieldsGrouping("sitemap", Constants.StatusStreamName, furl)
                .fieldsGrouping("feeds", Constants.StatusStreamName, furl)
                .fieldsGrouping("parse", Constants.StatusStreamName, furl)
                .fieldsGrouping("index", Constants.StatusStreamName, furl);

        return submit("crawl", conf, builder);
    }

    private WARCHdfsBolt getWarcBolt() {
        String warcFilePath = "/Users/user/Documents/workspace/test/warc";

        FileNameFormat fileNameFormat = new WARCFileNameFormat()
                .withPath(warcFilePath);

        Map<String,String> fields = new HashMap<>();
        fields.put("software:", "StormCrawler 1.0 http://stormcrawler.net/");
        fields.put("conformsTo:", "http://www.archive.org/documents/WarcFileFormat-1.0.html");

        WARCHdfsBolt warcbolt = (WARCHdfsBolt) new WARCHdfsBolt()
                .withFileNameFormat(fileNameFormat);
        warcbolt.withHeader(fields);

        // can specify the filesystem - will use the local FS by default
//        String fsURL = "hdfs://localhost:9000";
//        warcbolt.withFsUrl(fsURL);

        // a custom max length can be specified - 1 GB will be used as a default
        FileSizeRotationPolicy rotpol = new FileSizeRotationPolicy(50.0f,
                FileSizeRotationPolicy.Units.MB);
        warcbolt.withRotationPolicy(rotpol);
        return warcbolt;
    }
}

无论我在本地运行它是否有助焊剂，似乎都没有什么区别。您可以在此处查看演示存储库:https://github.com/keyboardsamurai/storm-test-warc

Answer 1

感谢您提出这个问题。理论上，内容会写入 WARC 文件，当

1. 同步策略中设置了显式同步 which we have by default at 10 tuples
2. 有一个通过勾选元组自动发生的 every 15 secs by default
3. 文件已轮换 - 在您的情况下，这应该在内容达到 50MB 时发生

由于您用作起点的拓扑不是递归的，并且不会处理超过 5 个 URL，因此永远不会满足条件 1 和 3。

您可以使用

更改它

builder.setBolt("status", new MemoryStatusUpdater())

相反。这样新的 URL 将被不断处理。或者，您可以添加

warcbolt.withSyncPolicy(new CountSyncPolicy(1));

到您的代码，以便在每个元组之后触发同步。实际上，您不需要在 URL 不断出现的实际爬网中执行此操作。

现在奇怪的是，无论同步是由条件 1 还是条件 2 触发的，我根本看不到文件有任何变化，它仍然是 0 字节。 1.8版本不是这样的

<dependency>
    <groupId>com.digitalpebble.stormcrawler</groupId>
    <artifactId>storm-crawler-warc</artifactId>
    <version>1.8</version>
</dependency> 

所以这可能是由于之后代码的更改所致。

我知道有些用户一直依赖FileTimeSizeRotationPolicy，它可以根据时间触发上述条件3。

欢迎在 Github 上提出问题，我会仔细研究它(下个月我回来时)。

编辑:条目压缩存在一个错误，现已修复，并将成为下一个 SC 版本的一部分。

查看 issue 上的评论OP 友情发布。