第十五章 爬取維基百科
原文: Chapter 15 Crawling Wikipedia 譯者: 飛龍 協定: CC BY-NC-SA 4.0 自豪地采用 谷歌翻譯
在本章中,我展示了上一個練習的解決方案,并分析了 Web 索引算法的性能。然後我們建構一個簡單的 Web 爬蟲。
15.1 基于 Redis 的索引器
在我的解決方案中,我們在 Redis 中存儲兩種結構:
- 對于每個檢索詞,我們有一個
,它是一個 Redis 集合,包含檢索詞的 URL。URLSet
- 對于每個網址,我們有一個
,這是一個 Redis 哈希表,将每個檢索詞映射到它出現的次數。TermCounter
我們在上一章讨論了這些資料類型。你還可以在
http://thinkdast.com/redistypes上閱讀 Redis
Set和
Hash`的資訊
在
JedisIndex
中,我提供了一個方法,它可以接受一個檢索詞并傳回 Redis 中它的
URLSet
的鍵:
private String urlSetKey(String term) {
return "URLSet:" + term;
}
以及一個方法,接受 URL 并傳回 Redis 中它的
TermCounter
的鍵。
private String termCounterKey(String url) {
return "TermCounter:" + url;
}
這裡是
indexPage
的實作。
public void indexPage(String url, Elements paragraphs) {
System.out.println("Indexing " + url);
// make a TermCounter and count the terms in the paragraphs
TermCounter tc = new TermCounter(url);
tc.processElements(paragraphs);
// push the contents of the TermCounter to Redis
pushTermCounterToRedis(tc);
}
為了索引頁面,我們:
- 為頁面内容建立一個 Java 的
,使用上一個練習中的代碼。TermCounter
- 将
的内容推送到 Redis。TermCounter
以下是将
TermCounter
的内容推送到 Redis 的新代碼:
public List<Object> pushTermCounterToRedis(TermCounter tc) {
Transaction t = jedis.multi();
String url = tc.getLabel();
String hashname = termCounterKey(url);
// if this page has already been indexed, delete the old hash
t.del(hashname);
// for each term, add an entry in the TermCounter and a new
// member of the index
for (String term: tc.keySet()) {
Integer count = tc.get(term);
t.hset(hashname, term, count.toString());
t.sadd(urlSetKey(term), url);
}
List<Object> res = t.exec();
return res;
}
該方法使用
Transaction
來收集操作,并将它們一次性發送到伺服器,這比發送一系列較小操作要快得多。
它周遊
TermCounter
中的檢索詞。對于每一個,它:
- 在 Redis 上尋找或者建立
,然後為新的檢索詞添加字段。TermCounter
- 在 Redis 上尋找或建立
,然後添加目前的 URL。URLSet
如果頁面已被索引,則
TermCounter
在推送新内容之前删除舊頁面 。
新的頁面的索引就是這樣。
練習的第二部分要求你編寫
getCounts
,它需要一個檢索詞,并從該詞出現的每個網址傳回一個映射。這是我的解決方案:
public Map<String, Integer> getCounts(String term) {
Map<String, Integer> map = new HashMap<String, Integer>();
Set<String> urls = getURLs(term);
for (String url: urls) {
Integer count = getCount(url, term);
map.put(url, count);
}
return map;
}
此方法使用兩種輔助方法:
-
接受檢索詞并傳回該字詞出現的網址集合。getURLs
-
接受 URL 和檢索詞,并傳回該術語在給定 URL 處顯示的次數。getCount
以下是實作:
public Set<String> getURLs(String term) {
Set<String> set = jedis.smembers(urlSetKey(term));
return set;
}
public Integer getCount(String url, String term) {
String redisKey = termCounterKey(url);
String count = jedis.hget(redisKey, term);
return new Integer(count);
}
由于我們設計索引的方式,這些方法簡單而高效。
15.2 查找的分析
假設我們索引了
N
個頁面,并發現了
M
個唯一的檢索詞。檢索詞的查詢需要多長時間?在繼續之前,先考慮一下你的答案。
要查找一個檢索詞,我們調用
getCounts
,其中:
- 建立映射。
- 調用
來擷取 URL 的集合。getURLs
- 對于集合中的每個 URL,調用
并将條目添加到getCount
。HashMap
getURLs
所需時間與包含檢索詞的網址數成正比。對于罕見的檢索詞,這可能是一個很小的數字,但是對于常見檢索詞,它可能和
N
一樣大。
在循環中,我們調用了
getCount
,它在 Redis 上尋找
TermCounter
,查找一個檢索詞,并向
HashMap
添加一個條目。那些都是常數時間的操作,是以在最壞的情況下,
getCounts
的整體複雜度是
O(N)
。然而實際上,運作時間正比于包含檢索詞的頁面數量,通常比
N
小得多。
這個算法根據複雜性是有效的,但是它非常慢,因為它向 Redis 發送了許多較小的操作。你可以使用
Transaction
來加快速度 。你可能留作一個練習,或者你可以在
RedisIndex.java
中檢視我的解決方案。
15.3 索引的分析
使用我們設計的資料結構,頁面的索引需要多長時間?再次考慮你的答案,然後再繼續。
為了索引頁面,我們周遊其 DOM 樹,找到所有
TextNode
對象,并将字元串拆分成檢索詞。這一切都與頁面上的單詞數成正比。
對于每個檢索詞,我們在
HashMap
中增加一個計數器,這是一個常數時間的操作。是以建立
TermCounter
的所需時間與頁面上的單詞數成正比。
TermCounter
推送到 Redis ,需要删除
TermCounter
,對于唯一檢索詞的數量是線性的。那麼對于每個檢索詞,我們必須:
- 向
添加元素,并且URLSet
- 向 Redis
添加元素。TermCounter
這兩個都是常數時間的操作,是以推送
TermCounter
的總時間對于唯一檢索詞的數量是線性的。
總之,
TermCounter
的建立與頁面上的單詞數成正比。向 Redis 推送
TermCounter
與唯一檢索詞的數量成正比。
由于頁面上的單詞數量通常超過唯一檢索詞的數量,是以整體複雜度與頁面上的單詞數成正比。理論上,一個頁面可能包含索引中的所有檢索詞,是以最壞的情況是
O(M)
,但實際上我們并不期待看到更糟糕的情況。
這個分析提出了一種提高效率的方法:我們應該避免索引很常見的詞語。首先,他們占用了大量的時間和空間,因為它們出現在幾乎每一個
URLSet
和
TermCounter
中。此外,它們不是很有用,因為它們不能幫助識别相關頁面。
大多數搜尋引擎避免索引常用單詞,這在本文中稱為停止詞(
http://thinkdast.com/stopword)。
15.4 圖的周遊
如果你在第七章中完成了“到達哲學”練習,你已經有了一個程式,它讀取維基百科頁面,找到第一個連結,使用連結加載下一頁,然後重複。這個程式是一種專用的爬蟲,但是當人們說“網絡爬蟲”時,他們通常意味着一個程式:
加載起始頁面并對内容進行索引,
查找頁面上的所有連結,并将連結的 URL 添加到集合中
通過收集,加載和索引頁面,以及添加新的 URL,來按照它的方式工作。
如果它找到已經被索引的 URL,會跳過它。
你可以将 Web 視為圖,其中每個頁面都是一個節點,每個連結都是從一個節點到另一個節點的有向邊。如果你不熟悉圖,可以閱讀
http://thinkdast.com/graph從源節點開始,爬蟲程式周遊該圖,通路每個可達節點一次。
我們用于存儲 URL 的集合決定了爬蟲程式執行哪種周遊:
- 如果它是先進先出(FIFO)的隊列,則爬蟲程式将執行廣度優先周遊。
- 如果它是後進先出(LIFO)的棧,則爬蟲程式将執行深度優先周遊。
- 更通常來說,集合中的條目可能具有優先級。例如,我們可能希望對尚未編入索引的頁面給予較高的優先級。
你可以在
http://thinkdast.com/graphtrav上閱讀圖的周遊的更多資訊 。
15.5 練習 12
現在是時候寫爬蟲了。在本書的倉庫中,你将找到此練習的源檔案:
-
,包含你的爬蟲的其實代碼。WikiCrawler.java
-
,包含WikiCrawlerTest.java
的測試代碼。WikiCrawler
-
,這是我以前的練習的解決方案。JedisIndex.java
你還需要一些我們以前練習中使用過的輔助類:
-
JedisMaker.java
-
WikiFetcher.java
-
TermCounter.java
-
WikiNodeIterable.java
在運作
JedisMaker
之前,你必須提供一個檔案,關于你的 Redis 伺服器資訊。如果你在上一個練習中這樣做,你應該全部配置好了。否則,你可以在 14.3 節中找到說明。
運作
ant build
來編譯源檔案,然後運作
ant JedisMaker
來確定它配置為連接配接到你的 Redis 伺服器。
現在運作
ant WikiCrawlerTest
。它應該失敗,因為你有工作要做!
這是我提供的
WikiCrawler
類的起始:
public class WikiCrawler {
public final String source;
private JedisIndex index;
private Queue<String> queue = new LinkedList<String>();
final static WikiFetcher wf = new WikiFetcher();
public WikiCrawler(String source, JedisIndex index) {
this.source = source;
this.index = index;
queue.offer(source);
}
public int queueSize() {
return queue.size();
}
執行個體變量是:
-
是我們開始抓取的網址。source
-
是index
,結果應該放進這裡。JedisIndex
-
queue
,這裡面我們跟蹤已發現但尚未編入索引的網址。LinkedList
-
wf
,我們用來讀取和解析網頁。WikiFetcher
你的工作是填寫
crawl
。這是原型:
public String crawl(boolean testing) throws IOException {}
當這個方法在
WikiCrawlerTest
中調用時,
testing
參數為
true
,否則為
false
如果
testing
true
,
crawl
方法應該:
- 以 FIFO 的順序從隊列中選擇并移除一個 URL。
- 使用
讀取頁面的内容,它讀取倉庫中包含的,頁面的緩存副本來進行測試(如果維基百科的版本更改,則避免出現問題)。WikiFetcher.readWikipedia
- 它應該索引頁面,而不管它們是否已經被編入索引。
- 它應該找到頁面上的所有内部連結,并按他們出現的順序将它們添加到隊列中。“内部連結”是指其他維基百科頁面的連結。
- 它應該傳回其索引的頁面的 URL。
testing
false
,這個方法應該:
- 如果 URL 已經被編入索引,它不應該再次索引,并應該傳回
null
- 否則它應該使用
讀取頁面内容,從 Web 中讀取目前内容。WikiFetcher.fetchWikipedia
- 然後,它應該對頁面進行索引,将連結添加到隊列,并傳回其索引的頁面的 URL。
WikiCrawlerTest
加載具有大約
200
個連結的隊列,然後調用
crawl
三次。每次調用後,它将檢查隊列的傳回值和新長度。
當你的爬蟲按規定工作時,此測試應通過。祝你好運!