DistributeCrawler

简介

这是一个基于Hadoop的分布式爬虫，目前只支持抓取腾讯新闻中心的新闻内容。支持插件机制，可以通过实现Extractor接口自己编写插件已实现对于各种网站的抓取和内容提取。

使用方法

在com.gs.main.Test1中设置爬取时需要的各种参数

private static String dst = "hdfs://gs-pc:9000/home/test/qq.txt";//首页的链接暂存地
private static String localSrc = "/home/gaoshen/qq.txt";//在master机器的暂存地
private static int depth = 3;//深度
private static int topN = 50;//每页抓取的最大链接数
private static String outputPath = "hdfs://gs-pc:9000/home/test/output";//最终结果的输出路径
private static String url = "http://news.qq.com";//需要抓取的地址
private static String jobName = "DistributeCrawler";//Job的名称

2.设置Redis里面的IP和端口

jj = new Jedis("localhost",8888);

3.然后就可以在Hadoop平台上运行了。

抓取流程

首先先从news.qq.com上下载首页的所有连接。并存储到master本地，再写入HDFS。
然后通过HDFS的本地计算将一个文件分发到各台Slaves上面。
然后各台Slave机器调用map方法开始抓取。若未达到topN和depth限制则将本页面的连接加入到本机的待抓取队列中。再加入队列之前与Redis服务器进行通信，以确保该url未被其他机器抓取。
每个页面通过HttpClient下载完成后，通过正则表达式进行过滤，只保留正文和标题，同时将这个页面封装为一个PagePOJO的POJO。这个POJO包含了正文，标题，URL，该页面的ID号（ID号是通过种子地址在种子文件中的偏移量也就是我们所谓的当前Slaves机器的ID号+一个叠加的计数器，即ID=CrawlerID+counter）。
然后将这个POJO交给Json生成器来生成一个Json内容。
最后通过Hadoop的context写入。

索引流程

首先通过JsonReader一行一行的读出json内容（每一行是一个Json表达式）。JsonReader是通过RandomAccessFile来实现的。因为他既可以满足从InputStream中按行读入的要求，还带有获取当前偏移量和skip方法，极为的好用。JsonReader返回一个Hit类型的封装。Hit封装了PagePOJO、文件名和在此文件中的起始偏移量。
提取出每一个Hit里面的正文、文件名和偏移量，并用Lucene索引。不储存content，但是储存文件名和起始偏移量。这样就可以摆脱对数据库的依赖。

贝叶斯分类器

在搜索方法中加入了分类的逻辑，如果搜索时在参数中声明需要分类，则通过贝叶斯方法进行分类。
使用贝叶斯分类器的时候，要进行参数设置，并通过MapMaker生成每一个类的map，即训练分类器。

训练贝叶斯分类器

将训练集生成为TrainingDataManager识别放map格式。
调用MapMaker的make方法，传入训练集的根目录。会在每一个分类的目录下生成一个map文件，里面是存储当前分类的每一个词的词频。注意：如果训练集的文本不是txt或者TXT格式的话需要在make方法里面设置文件类型。
在StopWordsHandler里面设置停用词的路径。
在TrainingDataManager中设置训练好的map的路径，也就是训练集的根路径。
BayesClassifier就是分类器的主控类，里面有一个zoomFactor参数的设置，这个主要是保证在训练集大小不一样的情况下保证分类质量。即当通过贝叶斯公式算出的概率太小或者太大时，调节这个参数可使得算出的概率数值在可控范围之内，一旦数值过小（全都为0）或者过大（显示无限大）是每一个分类的概率都是一样的，这样分类之后各个类就无从排序，分的类也就没有任何意义。更换训练集之后，一定记得查看各个分类的概率数值，调整zoomFactor。
都设置好之后调用BayesClassifier的classify方法传入待分类的文本，返回值就是Strng类型的分类名。注意：BayesClassifier是单例模式不可直接构造需要调用getInstance方法。

使用Carrot2插件进行聚类

在搜索模块包含了一个聚类插件,是通过Carrot2实现的,具体使用方法如下.

对所有的文档进行聚类

调用com.gs.cluster.Cluster这个类的cluster方法,并传入由Crawler爬取好的Json格式的文档的的路径,即可返回一个ProcessingResult类型的Result.ProcessingResult里面的内容查看方法请参考Carrot2文档.

对指定的文档进行聚类

这个方法适用于搜索时候对于搜索的结果进行聚类.搜索完毕之后将索引的PagePOJO封装成一个List传给cluster,聚类完毕之后,返回一个类型为Map<String,List<String>>的result.Map<String,List<String>>.这个map的key存放的是类型的名称,value的List里面存放的是该类型包含的所有文档的标题.

站点测试

这个Pane是用来测试实验室的几个网站是否正常.

Index

这个Pane是用来对Hadoop爬虫处理好的Json格式的新闻内容进行索引的工具.主要通过Lucene实现索引.在Json框中输入文件所在的文件夹的位置,index框中输入需要存放index文件的文件夹的路径.

下一步的工作

爬虫在爬取的时候自动判断这个连接是属于那个网站的,并自动选择对应的连接和正文抽取器.
分布式抓取的时候让每一台Slave每次map只抓取一个网站.

whitesnowchen / DistributeCrawler