Nutch 插件系統淺析
本文中,您可以通過研究分析 Nutch 插件系統的內部架構和流程,來掌握 Nutch 插件系統的核心設計。架構師可參考 Nutch 的插件系統設計出更加靈活的系統架構。
Nutch 基本情況
Nutch 是 Apache 基金會的一個開源項目,它原本是開源文件索引框架 Lucene 項目的一個子項目,後來漸漸發展成長爲一個獨立的開源項目。它基於 Java 開發,基於 Lucene 框架,提供 Web 網頁爬蟲功能。另外很吸引人的一點在於,它提供了一種插件框架,使得其對各種網頁內容的解析、各種數據的採集、查詢、集羣、過濾等功能能夠方便的進行擴展,正是由於有此框架,使得 Nutch 的插件開發非常容易,第三方的插件也層出不窮,極大的增強了 Nutch 的功能和聲譽。本文就是主要描述這個插件框架內部運行的機制和原理。
Nutch 的插件體系結構
在 Nutch 的插件體系架構下,有些術語需要在這裏解釋:
- 擴展點 ExtensionPoint
擴展點是系統中可以被再次擴展的類或者接口,通過擴展點的定義,可以使得系統的執行過程變得可插入,可任意變化。
- 擴展 Extension
擴展式插件內部的一個屬性,一個擴展是針對某個擴展點的一個實現,每個擴展都可以有自己的額外屬性,用於在同一個擴展點實現之間進行區分。擴展必須在插件內部進行定義。
- 插件 Plugin
插件實際就是一個虛擬的容器,包含了多個擴展 Extension、依賴插件 RequirePlugins 和自身發佈的庫 Runtime,插件可以被啓動或者停止。
Nutch 爲了擴展,預留了很多擴展點 ExtenstionPoint,同時提供了這些擴展點的基本實現 Extension,Plugin 用來組織這些擴展,這些都通過配置文件進行控制,主要的配置文件包括了多個定義擴展點和插件(擴展)的配置文件,一個控制加載哪些插件的配置文件。體系結構圖如下:
圖 1. Nutch 插件體系結構圖
插件的內部結構
圖 2. 插件的內部結構
- runtime 屬性描述了其需要的 Jar 包,和發佈的 Jar 包
- requires 屬性描述了依賴的插件
- extension-point 描述了本插件宣佈可擴展的擴展點
- extension 屬性則描述了擴展點的實現
典型的插件定義:
<plugin id="query-url" 插件的ID name="URL Query Filter" 插件的名字 version="1.0.0" 插件的版本 provider-name="nutch.org"> 插件的提供者ID <runtime> <library name="query-url.Jar"> 依賴的Jar包 <export name="*"/> 發佈的Jar包 </library> </runtime> <requires> <import plugin="nutch-extensionpoints"/> 依賴的插件 </requires> <extension id="org.apache.nutch.searcher.url.URLQueryFilter" 擴展的ID name="Nutch URL Query Filter" 擴展的名字 point="org.apache.nutch.searcher.QueryFilter"> 擴展的擴展點ID <implementation id="URLQueryFilter" 實現的ID class="org.apache.nutch.searcher.url.URLQueryFilter"> 實現類 <parameter name="fields" value="url"/> 實現的相關屬性 </implementation> </extension> </plugin>
插件主要配置
- plugin.folders:插件所在的目錄,缺省位置在 plugins 目錄下。
<property> <name>plugin.folders</name> <value>plugins</value> <description>Directories where nutch plugins are located. Each element may be a relative or absolute path. If absolute, it is used as is. If relative, it is searched for on the classpath. </description> </property>
- plugin.auto-activation:當被配置爲過濾(即不加載),但是又被其他插件依賴的時候,是否自動啓動,缺省爲 true。
<property> <name>plugin.auto-activation</name> <value>true</value> <description>Defines if some plugins that are not activated regarding the plugin.includes and plugin.excludes properties must be automaticaly activated if they are needed by some actived plugins. </description> </property>
- plugin.includes:要包含的插件名稱列表,支持正則表達式方式定義。
<property> <name>plugin.includes</name> <value>protocol-http|urlfilter-regex|parse-(text|html|js)|index-(basic|anchor) |query-(basic|site|url)|response-(json|xml)|summary-basic|scoring-opic| urlnormalizer-(pass|regex|basic) </value> <description>Regular expression naming plugin directory names to include. Any plugin not matching this expression is excluded. In any case you need at least include the nutch-extensionpoints plugin. By default Nutch includes crawling just HTML and plain text via HTTP, and basic indexing and search plugins. In order to use HTTPS please enable protocol-httpclient, but be aware of possible intermittent problems with the underlying commons-httpclient library. </description> </property>
- plugin.excludes:要排除的插件名稱列表,支持正則表達式方式定義。
<property> <name>plugin.excludes</name> <value></value> <description>Regular expression naming plugin directory names to exclude. </description> </property>
插件主要類 UML 圖
圖 3. 插件主要類 UML 圖(查看大圖)
類包括:
- PluginRepository 是一個通過加載 Iconfiguration 配置信息初始化的插件庫,裏面維護了系統中所有的擴展點 ExtensionPoint 和所有的插件 Plugin 實例
- ExtensionPoint 是一個擴展點,通過擴展點的定義,插件 Plugin 才能定義實際的擴展 Extension,從而實現擴展,每個 ExtensionPoint 類實例都維護了宣佈實現了此擴展點的擴展 Extension.
- Plugin 是一個虛擬的組織,提供了一個啓動 start 和一個 shutdown 方法,從而實現了插件的啓動和停止,他還有一個描述對象 PluginDescriptor,負責保存此插件相關的配置信息,另外還有一個 PluginClassLoader 負責此插件相關類和庫的加載。
插件加載過程
圖 4 . 插件加載過程時序圖(查看大圖)
通過序列圖可以發現,Nutch 加載插件的過程需要 actor 全程直接調用每個關聯對象,最終得到的是插件的實現對象。詳細過程如下:
- 首先通過 PluginRepository.getConf() 方法加載配置信息,配置的內容包括插件的目錄,插件的配置文件信息 plugin.properties 等,此時 pluginrepository 將根據配置信息加載各個插件的 plugin.xml,同時根據 Plugin.xml 加載插件的依賴類。
- 當 actor 需要加載某個擴展點的插件的時候,他可以:
- 首先根據擴展點的名稱,通過 PluginRepository 得到擴展點的實例,即 ExtensionPoint 類的實例;
- 然後調用 ExtensionPoint 對象的 getExtensions 方法,返回的是實現此擴展點的實例列表(Extension[]);
- 對每個實現的擴展實例 Extension,調用它的 getExtensionInstance() 方法,以得到實際的實現類實例,此處爲 Object;
- 根據實際情況,將 Object 轉型爲實際的類對象類型,然後調用它們的實現方法,例如 helloworld 方法。
插件的典型調用方式
得到某個語言例如“GBK”擴展點的實例:
this.extensionPoint.getExtensions();// 得到擴展點的所有擴展 for (int i=0; i<extensions.length; i++) {// 遍歷每個擴展 if (“GBK”.equals(extensions[i].getAttribute("lang"))) {// 找到某個屬性的擴展 return extensions[i];// 返回 } } } extension.getExtensionInstance()// 得到此擴展實現的實例對象
插件類加載機制
實際整個系統如果使用了插件架構,則插件類的加載是由 PluginClassLoader 類完成的,每個 Plugin 都有自己的 classLoader,此 classloader 繼承自 URLClassLoader,並沒有做任何事情:
public class PluginClassLoader extends URLClassLoader { /** * Construtor * * @param urls * Array of urls with own libraries and all exported libraries of * plugins that are required to this plugin * @param parent */ public PluginClassLoader(URL[] urls, ClassLoader parent) { super(urls, parent); } }
這個 classloader 是屬於這個插件的,它只負責加載本插件相關的類、本地庫和依賴插件的發佈 (exported) 庫,也包括一些基本的配置文件例如 .properties 文件。
此類的實例化過程:
if (fClassLoader != null) return fClassLoader; ArrayList<URL> arrayList = new ArrayList<URL>(); arrayList.addAll(fExportedLibs); arrayList.addAll(fNotExportedLibs); arrayList.addAll(getDependencyLibs()); File file = new File(getPluginPath()); try { for (File file2 : file.listFiles()) { if (file2.getAbsolutePath().endsWith("properties")) arrayList.add(file2.getParentFile().toURL()); } } catch (MalformedURLException e) { LOG.debug(getPluginId() + " " + e.toString()); } URL[] urls = arrayList.toArray(new URL[arrayList.size()]); fClassLoader = new PluginClassLoader(urls, PluginDescriptor.class .getClassLoader()); return fClassLoader;
- 首先判斷緩存是否存在
- 加載需要的 Jar 包、自身需要的 Jar 包,依賴插件發佈的 Jar 包
- 加載本地的 properties 文件
- 構造此 classloader,父 classloader 爲 PluginDescriptor 的加載者,通常是 contextClassLoader
總結
Nutch 是一個非常出色的開源搜索框架,它的插件架構更加是它的一個技術亮點,通過此架構,可以保證 Nutch 方便的被靈活的擴展而不用修改原來的代碼,通過配置文件可以簡單方便的控制加載或者不加載哪些插件,而且這些都不需要額外的容器支持。這些都是我們在系統架構設計的時候可以學習和參考的有益經驗。