Chinaunix首页 | 论坛 | 博客
  • 博客访问: 103452
  • 博文数量: 18
  • 博客积分: 1425
  • 博客等级: 上尉
  • 技术积分: 236
  • 用 户 组: 普通用户
  • 注册时间: 2008-04-21 20:38
文章分类
文章存档

2011年(6)

2009年(10)

2008年(2)

我的朋友

分类: LINUX

2009-07-25 21:26:21


Larbin源码分析

 

一、软件功能

Larbin是一个网络爬虫软件,它致力于为搜索引擎提供大量的网页数据源,以满足搜索引擎的需要,同时还提供了web界面,实时监测各种统计信息。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

二、代码整体结构

 

 

 

 

 

三、重要的数据结构及变量

 

1、重要的数据结

PersistentFifo //用于将要抓取的url存储到本地的类

主要方法:

url *PersistentFifo::tryGet ()//获取一个url

void PersistentFifo::put (url *obj)//将一个url放入

主要属性:

char *fileName;//存储url的文件名

char buf[BUF_SIZE];//用于存储url的数据结构

 

template class SyncFifo //具有同步功能的存储类,适用于多线程

主要方法:

T *tryGet ();//获取一个对象

void put (T *obj);//存储一个对象

主要属性:

 T **tab;//用于存储url的数据结构

 

template   class Fifo//普通的先进先出存储结构

主要方法:

T *tryGet ();//取出一个对象

void put (T *obj);//放入一个对象

主要属性:

T **tab;//用于存储url的数据结构

 

class NamedSite//站点抽象类

主要方法:

void putGenericUrl//将新解析出来的url放入相应的site

void newQuery ()//查询要抓取的url的网站是不是合法的DNS

主要属性:

url *fifo[maxUrlsBySite];//存储本site下的url

 

 

class IPSite

主要方法:

url *getUrl ();//获取一个可以抓取的url

void putUrl (url *u);//放入一个url

int fetch ();//构建链接

主要属性:

Fifo tab;//存储可以抓取的url

 

class url //url抽象类

主要方法:

void parse (char *s);//将一个字符串url解析出host,file.port

主要属性:

char *host;//url站点名

char *file;//文件名

uint16_t port; // 端口名

int8_t depth;//目前的深度

 

class html//html内容存储类

主要方法:

int endInput ();//根据网页内容,解析出新的链接

主要属性:

 // Where are we

  url *here;

  // beginning of the current interesting area

  char *area;

  // begining of the real content (end of the headers + 1)

  char *contentStart;

  // base de l'URL

  url *base;

 

 

2、主要的全局变量

PersistentFifo *global::URLsDisk;//将抓取的网页存储到本地。

SyncFifo *global::URLsPriority;//有优先级情况网页存储

SyncFifo *global::URLsPriorityWait;//优先级url等待存储

uint global::readPriorityWait=0;//有优先级url等待数目

PersistentFifo *global::URLsDiskWait;//本地等待url存储

uint global::readWait=0;//等待的url数目

IPSite *global::IPSiteList;//最终抓取的url中间结构

NamedSite *global::namedSiteList;//存储同一站点中的url

Fifo *global::okSites;//可下载的Url地址

Fifo *global::dnsSites;//需要Dns验证的列表

Connexion *global::connexions;//所有连接

hashTable *global::seen;//已经下载的网页,用于网页排重

 

 

 

 

 

 

 

 

 

四、重要函数分析

 

void sequencer()

通过调用static bool canGetUrl (bool *testPriority),将URLsDisk URLsPriorityURLsPriorityWait URLsDiskWait中的url放入到相应的site中,即namedSiteList中。

void fetchDns ()

dnsSites中的各种host进行dns验证。

void fetchOpen()

okSites获取可下载的网址,构建http客户端请求。

void checkAll ()

检验所有链接global::connexions,判断链接状态,进行读写。

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

 

五、相关背景知识

HTTP客户请求的数据格式说明

   HTTP请求包括三部分:请求行(Request Line),头部(Headers)和数据体(Body)。其中,请求行由请求方法(method),请求网址Request-URI和协议 (Protocol)构成,而请求头包括多个属性,数据体则可以被认为是附加在请求之后的文本或二进制文件。

  下面这个例子显示了一个HTTP请求的Header内容:

 

GET /index.html HTTP/1.1

Accept:text/html

User-Agent:larbin

Host: ioa.rising.com.cn

Fromjiangzy@rising.com.cn

 

我们参考这个例子具体解释HTTP请求格式。

1.HTTP请求行:请求行格式为Method Request-URI Protocol。在上面这个例子里,"GET / HTTP/1.1"是请求行。

2.Accept:指浏览器或其他客户可以接爱的MIME文件格式。可以根据它判断并返回适当的文件格式。

3.Accept-Charset:指出浏览器可以接受的字符编码。英文浏览器的默认值是ISO-8859-1.

4.Accept-Language:指出浏览器可以接受的语言种类,如enen-us,指英语。

5.Accept-Encoding:指出浏览器可以接受的编码方式。编码方式不同于文件格式,它是为了压缩文件并加速文件传递速度。浏览器在接收到Web响应之后先解码,然后再检查文件格式。

6.Authorization:当使用密码机制时用来标识浏览器。

7.Cache-Control:设置关于请求被代理服务器存储的相关选项。一般用不到。

8.Connection:用来告诉服务器是否可以维持固定的HTTP连接。HTTP/1.1使用Keep-Alive为默认值,这样,当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都建立连接。

9.Content-Type:用来表名request的内容类型。可以用HttpServletRequestgetContentType()方法取得。

10.Cookie:浏览器用这个属性向服务器发送CookieCookie是在浏览器中寄存的小型数据体,它可以记载和服务器相关的用户信息,也可以用来实现会话功能。

11.Expect:表时客户预期的响应状态。

12.From:给出客户端HTTP请求负责人的email地址。

13.Host:对应网址URL中的Web名称和端口号。

14.If-Match:供PUT方法使用。

15.If-Modified-Since:客户使用这个属性表明它只需要在指定日期之后更改过的网页。因为浏览器可以使用其存储的文件而不必从服务器请求,这样节省了Web资源。由于Servlet是动态生成的网页,一般不需要使用这个属性。

16.If-None-Match:和If-Match相反的操作,供PUT方法使用。

17.If-Unmodified-Since:和If-Match-Since相反。

18.Pragma:这个属性只有一种值,即Pragmano-cache,表明如果servlet充当代理服务器,即使其有已经存储的网页,也要将请求传递给目的服务器。

19.Proxy-Authorization:代理服务器使用这个属性,一般用不到。

20.Range:如果客户有部分网页,这个属性可以请求剩余部分。

21.Referer:表明产生请求的网页URL

比如从网页/beijing.html中点击一个链接到网页/qingdao.html,在向服务器发送的GET /beijing.html中的请求中,Referer 。这个属性可以用来跟踪Web请求是从什么网站来的。

22.Upgrage:客户通过这个属性设定可以使用与HTTP/1.1不同的协议。

23.User-Agent:是客户浏览器名称。

24.Via:用来记录Web请求经过的代理服务器或Web通道。

25.Warning:用来由客户声明传递或存储(cache)错误。

 

 

阅读(3767) | 评论(2) | 转发(0) |
给主人留下些什么吧!~~

chinaunix网友2010-07-20 11:34:25

为什么看不到呢。。。

chinaunix网友2010-05-17 10:39:37

空文档呀