heritrix queue 分配策略

最近用heritrix 爬取网站，发现很慢，

heritrix 的QUEUE的分配策略会影响速度，

比如用HostnameQueueAssignmentPolicy，一个网站只分配一个Queue,

如果这个网站有很多页面要爬取，这些页面全部放到一个queue里面，

很多页面就会阻塞在这个Queue里，要经过很长时间才能处理。

相比之下，对一个网站的爬取用SurtAuthorityQueueAssignmentPolicy 策略会好很多，

会根据网站的URL结构放入不同的queue中，

比如

http://www.ebookl.com/magazine/men

http://www.ebookl.com/937100-restorative-therapies-parkinsons-disease-repost

这倆个页面会放在不同的Queue当中，一个是category页面（共二级），一个是内容页。

有兴趣可以看一下源代码的实现。

但是有些网站并不能考URL 来区分，这时候可以考虑自定一个queueAssignmentPolicy, 修改SRPING XML配置，

 <!-- QUEUE ASSIGNMENT POLICY -->

 <bean id="queueAssignmentPolicy" 
   class="com.spider.util.CustomQueueAssignmentPolicy">
  <property name="forceQueueAssignment" value="" />
  <property name="deferToPrevious" value="true" />
  <property name="parallelQueues" value="10" />
 </bean>

这里我是继承SurtAuthorityQueueAssignmentPolicy，由于category页面URL包含all-ebo，我就用第六个Queue, 其他内容页以html结尾，我就用hashcode 取余数来分配到哪一个Queue.

public class CustomQueueAssignmentPolicy extends
        SurtAuthorityQueueAssignmentPolicy {

    private static final long serialVersionUID = -282094213180482046L;

    private static final Logger logger = Logger
            .getLogger(CustomQueueAssignmentPolicy.class.getName());

    @Override
    protected int getSubqueue(UURI basisUuri, int parallelQueues) {

        if (basisUuri.toString().contains("all-ebo")) {
            return 6;
        } else if (basisUuri.toString().endsWith(".html")) {
            
            int hashCode = basisUuri.toString().hashCode();
            return Math.abs(hashCode) % 3;
        }

        return super.getSubqueue(basisUuri, parallelQueues);
    }

}

虽然我写的很简单，但是经过测试category和内容页都是很公平的处理，内容页不会阻塞category页面的处理，速度自然块了一些。

来自：http://laravel.iteye.com/blog/2052920

heritrix queue 分配策略

猜你喜欢