在StormCrawler上获取拓扑以正确写入warc文件

Question

在我的项目中，crawler的maven原型似乎不适用于warc模块。 当前，它仅创建名称为“ crawl-20180802121925-00000.warc.gz”的空0字节文件。 我在这里想念什么吗？

我尝试通过创建一个默认项目来启用warc编写，如下所示：

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

然后像这样将依赖项添加到pom.xml中的warc模块中

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

然后，在尝试写入本地文件系统目录时，将WARCHdfsBolt添加到fetch分组中。

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;
    }
}

无论我是否在本地运行（有或没有助焊剂），似乎都没有什么不同。 您可以在此处查看演示存储库： https : //github.com/keyboardsamurai/storm-test-warc

Answer 1

感谢您的询问。 从理论上讲，内容会在以下情况下写入WARC文件：

1. 同步策略中设置了一个明确的同步，默认情况下，我们有10个元组
2. 默认情况下，每15秒就会有一个通过滴答元组发生的自动事件
3. 旋转文件-在您的情况下，应在内容达到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5个以上的URL，因此永远不会满足条件1和3。

您可以通过使用

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

代替。 这样，新的URL将被连续处理。 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不断出现的真实爬网中执行此操作。

现在，很奇怪的是，无论同步是由条件1还是条件2触发的，我都看不到文件的任何更改，它保持为0字节。 版本1.8并非如此

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

因此可能是由于此后代码的更改。

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。

随时在Github上打开一个问题，我会仔细研究一下（下个月我回来的时候）。

编辑 ：存在一个压缩条目的错误，现已修复，它将作为下一SC版本的一部分。

请参阅OP对此问题发表的评论。