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。
|
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:
|
- 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 |
|
- 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>
|
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。
|
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。
|
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 |
|
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 { |
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) |
- 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
|
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。
學習
- 查看網站“Nutch 官方網站
”,瞭解 Nutch 的基本情況。
- “Nutch 實戰
”(developerWorks,2008 年 11 月):本文介紹了開源搜索引擎 Nutch 的基本信息,並詳細說明了在 Eclispe 下運行 Nutch 的步驟和需要注意的問題。
- “開發基於 Nutch 的集羣式搜索引擎
”(developerWorks,2008 年 10 月):本文首先介紹 Nutch 的背景知識,包括 Nutch 架構,爬蟲和搜索器。然後以開發一個基於 Nutch 的實際應用爲例向讀者展示如何使用 Nutch 開發自己的搜索引擎。
- developerWorks Java 技術專區
:查找關於 Java 編程各方面的數百篇文章。
獲得產品和技術
- 下載“nutch ”,瞭解更多 Nutch 的細節。
討論
- 閱讀“Nutch FAQ
”瞭解常見問題。
- 點擊“加入 Nutch 開發者郵件列表
”參加 Nutch 的討論。
- 加入 developerWorks 社區
。
- 查看 developerWorks 博客
的最新信息。