Zrównolegnienie web crawlera

Zrównolegnienie web crawlera
Julian_
Julian_
Julian_
Julian_
  • Rejestracja:prawie 8 lat
  • Ostatnio:ponad 4 lata
  • Postów:1703
0

Mam taką metodę:

Kopiuj
public List<org.bson.Document> crawlForAllMongoDoc() {
		List<org.bson.Document> allDocuments = new ArrayList<>();

		for (Page page : forumTopic) {
			LOG.log(Level.INFO, "downloading url=" + page.url);
			for (Post post : page) {
				allDocuments.add(post.toMongoDocument());
			}
		}
		return allDocuments;
	}

Pobiera html ze strony internetowej i przerabia. Jak przerobi to pobiera następny html z kolejnej strony i znów przerabia. itd.

Chciałbym to sparaleryzować:
1 wątek pobiera html ze strony i nie czeka, aż html zostanie przerobiony tylko pobiera od razu następny.
2 wątek przerabia pobrane html, jeśli są jakieś pobrane.

Kopiuj
public List<org.bson.Document> crawlForAllMongoDocParraler() {
		List<org.bson.Document> allDocuments = new ArrayList<>();

		Queue<Page> pagesQueue = new LinkedList<>();

		Thread pagerThread = new Thread(() -> {
			for (Page page : forumTopic) {
				LOG.log(Level.INFO, "downloading url=" + page.url);
				pagesQueue.add(page);
				synchronized (this) {
					notify();
				}
			}
		});

		Thread posterThread = new Thread(() -> {
			while (!pagesQueue.isEmpty() || pagerThread.isAlive()) {
				if (pagesQueue.isEmpty()) {
					synchronized (this) {
						try {
							wait();
						} catch (InterruptedException e) {
							// TODO Auto-generated catch block
							e.printStackTrace();
						}
					}
				} else {
					for (Post post : pagesQueue.poll()) {
						allDocuments.add(post.toMongoDocument());
					}
				}
			}
		});

		pagerThread.start();
		posterThread.start();

		try {
			pagerThread.join();
			posterThread.join();
		} catch (InterruptedException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}
		return allDocuments;
	}

czy to jest w miarę OK? Zszedłem ze 150 sekund do 130 dzięki temu.
Widzę ryzyko, że jak w 17 linijce wątek 1 będzie żywy, ale już w 21 martwy to wątek 2 nigdy się nie zatrzyma.

edytowany 5x, ostatnio: Julian_
Zobacz pozostałe 9 komentarzy
WeiXiao
biblioteki? fujjjjj, po co to komu? aby tracić całą zabawę pisania samemu parsera html? :) :D
superdurszlak
gr8 b8 m8 i r8 8/8 :D :D :D
WeiXiao
ale z was bibliotekarze, omg :D
superdurszlak
ktoś tu się Metra naczytał? :D
KO
@WeiXiao: Python+Scrapy/puppeteer albo js + puppeteer Zdecydowanie nie Java XD
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
superdurszlak
superdurszlak
superdurszlak
superdurszlak
  • Rejestracja:prawie 7 lat
  • Ostatnio:33 minuty
  • Lokalizacja:Kraków
  • Postów:1999
4

W sensie chcesz wysmażyć sobie coś w rodzaju takiego pipeline'a?

screenshot-20190802204835.png

No to tak w wariancie najbardziej "na pałę" tzn rzeźbiąc (prawie) wszystko sam

  • robisz sobie jakieś tam implementacje Runnable/Taska czy coś takiego dla każdego etapu jaki chcesz wykonać (pobieranie HTMLi, jakieś parsowanie itd)
  • robisz sobie jakiś ThreadPoolExecutor czy inny ProcessPoolExecutor...
  • ...do którego subskrybujesz sobie asynchronicznie zadanie ściągnięcia dokumentu
  • dla każdego zadania dostajesz jakiś tam Future, przepychasz go dalej jako nowego taska...
  • ...który z kolei czeka na tego Future, wyciąga z niego cukierka i go konsumuje, po czym wypluwa orzeszki
  • dostajesz z niego kolejny Future tym razem z orzeszkami itp itd. który przepychasz do taska "wyjmij orzeszki z papierka i zmiel na mączkę"
  • I na końcu robisz jakiś waiter który czeka aż wszystkie Futury z mąką z orzeszków czy co to tam miało być albo coś zwrócą, albo się wysypią
Kopiuj
processPool = ProcessPool()
futures = []

for url in urlSource.getAll():
  htmlFuture = processPool.executeAsync(DownloadHtmlTask(url))
  parsedDataFuture = processPool.executeAsync(ParseHtmlTask(htmlFuture))
  somethingElseFuture = processPool.executeAsync(DoSomethingElseTask(parsedDataFuture))
  futures.append(somethingElseFuture)

results, errors = waitUntilAllCompleteOrFail(futures)

// bla bla bla

I nie bawisz się w jakieś żonglowanie joinami i pilnowanie, który zjoinować przed którym

edytowany 3x, ostatnio: superdurszlak
Julian_
a z jakiej biblioteki jest ProcessPool? nie widzę też takich metod jak executeAsync...
superdurszlak
to tylko pseudokod, miało pokazać ideę a nie API :P ogólnie szukaj pod java.util.concurrent
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Charles_Ray
Charles_Ray
Charles_Ray
Charles_Ray
  • Rejestracja:prawie 17 lat
  • Ostatnio:około godziny
  • Postów:1873
1

Korzystanie bezpośrednio z klasy Thread nie jest optymalne, od Javy 6/7 są na to lepsze sposoby (pakiet java.util.concurrent, ExecutorService).
Poczytaj o Fork-Join Pool: https://www.baeldung.com/java-fork-join, https://howtodoinjava.com/java7/forkjoin-framework-tutorial-forkjoinpool-example/
Przykład użycia (crawler): https://www.javaworld.com/article/2078440/java-tip-when-to-use-forkjoinpool-vs-executorservice.html, https://github.com/niravshah/wd_webcrawler

”Engineering is easy. People are hard.” Bill Coughran
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Shalom
Shalom
Shalom
Shalom
  • Rejestracja:około 21 lat
  • Ostatnio:prawie 3 lata
  • Lokalizacja:Space: the final frontier
  • Postów:26433
3
  1. ExecutorService jakis weź jak człowiek
  2. ConcurrentQueue zamiast synchronizy
  3. Puść to na wielu wątkach bo i tak wąskie gardło to pobieranie tych wyników. Możesz mieć N wątków ściagających i dużo mniej przetwrzajacych
  4. Tu sie to nie przyda, ale jakbyś chciał być ultra low latency to mozna by w ogóle wywalić te synchronizacje i nawet concurrentqueue, robiąc tam AtomicReference na zwykłą listę i jak wątek przetwarzający chce sobie pobrać listę zadań to robi atomową wymianę na pustą listą, a tą pełną zaczyna sobie przetwarzać ;]
"Nie brookliński most, ale przemienić w jasny, nowy dzień najsmutniejszą noc - to jest dopiero coś!"
Julian_
a zwiększanie wątków ściągających przyśpieszy? bo przecież to jest ograniczone przepustowością strony internetowej z której pobieram.
Shalom
Wątpie. Zależy co ściągasz, ale pewnie sam narzut na połączenie jest tu duży, a nie sam transfer danych.
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
hcubyc
hcubyc
hcubyc
hcubyc
  • Rejestracja:ponad 12 lat
  • Ostatnio:ponad 2 lata
2

Podam inne rozwiązanie mam nadzieję, że nie będzie hipsterskie, będziesz potrzebował Reactora i jakiś klient http, może być bajerancki asynchroniczny i reaktywny, ale nie musi, uwaga pisane z pamięci

Kopiuj
val allDocuments = Flux.fromIterable(urls)
        .flatMap(url -> download(url))
        .map(page -> fancyStuff(page))
        .collectList()
        .block();

to wystarczy jak będzie klient reaktywny klient, jak nie to można blokujące wywołanie download opakować przy użyciu np. Mono.fromCallable() i na końcu zasubskrybować się schedulerem z jakąs pulą wątków, polecam Schedulers.fromExecutorService() albo znaleźć coś dla siebie z klasy Schedulers. Można też bardziej idiomatycznie i nie blokować się na końcu tylko dalej zwrócić Fluxa

Limitations are limitless > ##### Ola Nordmann napisał(a)
> Moim językiem ojczystym jest C++ i proszę uszanować to, że piszę po polsku.
Udostępnij
Kopiuj link do postu Kopiuj link do postu jako Markdown
Komentuj
Treść
Podgląd
Kliknij, aby dodać treść...
Kliknij, aby dodać załącznik lub wklej ze schowka.
Instrukcja obsługi Markdown
Pomoc 1.18.8

Typografia

Edytor obsługuje składnie Markdown, w której pojedynczy akcent *kursywa* oraz _kursywa_ to pochylenie. Z kolei podwójny akcent **pogrubienie** oraz __pogrubienie__ to pogrubienie. Dodanie znaczników ~~strike~~ to przekreślenie.

Możesz dodać formatowanie komendami , , oraz .

Ponieważ dekoracja podkreślenia jest przeznaczona na linki, markdown nie zawiera specjalnej składni dla podkreślenia. Dlatego by dodać podkreślenie, użyj <u>underline</u>.

Komendy formatujące reagują na skróty klawiszowe: Ctrl+B, Ctrl+I, Ctrl+U oraz Ctrl+S.

Linki

By dodać link w edytorze użyj komendy lub użyj składni [title](link). URL umieszczony w linku lub nawet URL umieszczony bezpośrednio w tekście będzie aktywny i klikalny.

Jeżeli chcesz, możesz samodzielnie dodać link: <a href="link">title</a>.

Wewnętrzne odnośniki

Możesz umieścić odnośnik do wewnętrznej podstrony, używając następującej składni: [[Delphi/Kompendium]] lub [[Delphi/Kompendium|kliknij, aby przejść do kompendium]]. Odnośniki mogą prowadzić do Forum 4programmers.net lub np. do Kompendium.

Wspomnienia użytkowników

By wspomnieć użytkownika forum, wpisz w formularzu znak @. Zobaczysz okienko samouzupełniające nazwy użytkowników. Samouzupełnienie dobierze odpowiedni format wspomnienia, zależnie od tego czy w nazwie użytkownika znajduje się spacja.

Znaczniki HTML

Dozwolone jest używanie niektórych znaczników HTML: <a>, <b>, <i>, <kbd>, <del>, <strong>, <dfn>, <pre>, <blockquote>, <hr/>, <sub>, <sup> oraz <img/>.

Skróty klawiszowe

Dodaj kombinację klawiszy komendą notacji klawiszy lub skrótem klawiszowym Alt+K.

Reprezentuj kombinacje klawiszowe używając taga <kbd>. Oddziel od siebie klawisze znakiem plus, np <kbd>Alt+Tab</kbd>.

Indeks górny oraz dolny

Przykład: wpisując H<sub>2</sub>O i m<sup>2</sup> otrzymasz: H2O i m2.

Składnia Tex

By precyzyjnie wyrazić działanie matematyczne, użyj składni Tex.

<tex>arcctg(x) = argtan(\frac{1}{x}) = arcsin(\frac{1}{\sqrt{1+x^2}})</tex>

Kod źródłowy

Krótkie fragmenty kodu

Wszelkie jednolinijkowe instrukcje języka programowania powinny być zawarte pomiędzy obróconymi apostrofami: `kod instrukcji` lub ``console.log(`string`);``.

Kod wielolinijkowy

Dodaj fragment kodu komendą . Fragmenty kodu zajmujące całą lub więcej linijek powinny być umieszczone w wielolinijkowym fragmencie kodu. Znaczniki ``` lub ~~~ umożliwiają kolorowanie różnych języków programowania. Możemy nadać nazwę języka programowania używając auto-uzupełnienia, kod został pokolorowany używając konkretnych ustawień kolorowania składni:

```javascript
document.write('Hello World');
```

Możesz zaznaczyć również już wklejony kod w edytorze, i użyć komendy  by zamienić go w kod. Użyj kombinacji Ctrl+`, by dodać fragment kodu bez oznaczników języka.

Tabelki

Dodaj przykładową tabelkę używając komendy . Przykładowa tabelka składa się z dwóch kolumn, nagłówka i jednego wiersza.

Wygeneruj tabelkę na podstawie szablonu. Oddziel komórki separatorem ; lub |, a następnie zaznacz szablonu.

nazwisko;dziedzina;odkrycie
Pitagoras;mathematics;Pythagorean Theorem
Albert Einstein;physics;General Relativity
Marie Curie, Pierre Curie;chemistry;Radium, Polonium

Użyj komendy by zamienić zaznaczony szablon na tabelkę Markdown.

Lista uporządkowana i nieuporządkowana

Możliwe jest tworzenie listy numerowanych oraz wypunktowanych. Wystarczy, że pierwszym znakiem linii będzie * lub - dla listy nieuporządkowanej oraz 1. dla listy uporządkowanej.

Użyj komendy by dodać listę uporządkowaną.

1. Lista numerowana
2. Lista numerowana

Użyj komendy by dodać listę nieuporządkowaną.

* Lista wypunktowana
* Lista wypunktowana
** Lista wypunktowana (drugi poziom)

Składnia Markdown

Edytor obsługuje składnię Markdown, która składa się ze znaków specjalnych. Dostępne komendy, jak formatowanie , dodanie tabelki lub fragmentu kodu są w pewnym sensie świadome otaczającej jej składni, i postarają się unikać uszkodzenia jej.

Dla przykładu, używając tylko dostępnych komend, nie możemy dodać formatowania pogrubienia do kodu wielolinijkowego, albo dodać listy do tabelki - mogłoby to doprowadzić do uszkodzenia składni.

W pewnych odosobnionych przypadkach brak nowej linii przed elementami markdown również mógłby uszkodzić składnie, dlatego edytor dodaje brakujące nowe linie. Dla przykładu, dodanie formatowania pochylenia zaraz po tabelce, mogłoby zostać błędne zinterpretowane, więc edytor doda oddzielającą nową linię pomiędzy tabelką, a pochyleniem.

Skróty klawiszowe

Skróty formatujące, kiedy w edytorze znajduje się pojedynczy kursor, wstawiają sformatowany tekst przykładowy. Jeśli w edytorze znajduje się zaznaczenie (słowo, linijka, paragraf), wtedy zaznaczenie zostaje sformatowane.

  • Ctrl+B - dodaj pogrubienie lub pogrub zaznaczenie
  • Ctrl+I - dodaj pochylenie lub pochyl zaznaczenie
  • Ctrl+U - dodaj podkreślenie lub podkreśl zaznaczenie
  • Ctrl+S - dodaj przekreślenie lub przekreśl zaznaczenie

Notacja Klawiszy

  • Alt+K - dodaj notację klawiszy

Fragment kodu bez oznacznika

  • Alt+C - dodaj pusty fragment kodu

Skróty operujące na kodzie i linijkach:

  • Alt+L - zaznaczenie całej linii
  • Alt+, Alt+ - przeniesienie linijki w której znajduje się kursor w górę/dół.
  • Tab/⌘+] - dodaj wcięcie (wcięcie w prawo)
  • Shit+Tab/⌘+[ - usunięcie wcięcia (wycięcie w lewo)

Dodawanie postów:

  • Ctrl+Enter - dodaj post
  • ⌘+Enter - dodaj post (MacOS)