增加爬虫的线程数

Question

This is the code taken from http://code.google.com/p/crawler4j/ and the name of this file is MyCrawler.java


public class MyCrawler extends WebCrawler {

        Pattern filters = Pattern.compile(".*(\\.(css|js|bmp|gif|jpe?g"
                + "|png|tiff?|mid|mp2|mp3|mp4"
                + "|wav|avi|mov|mpeg|ram|m4v|pdf"
                + "|rm|smil|wmv|swf|wma|zip|rar|gz))$");

        /*
         * You should implement this function to specify
         * whether the given URL should be visited or not.
         */
        public boolean shouldVisit(WebURL url) {
                String href = url.getURL().toLowerCase();
                if (filters.matcher(href).matches()) {
                        return false;
                }
                if (href.startsWith("http://www.xyz.us.edu/")) {
                        return true;
                }
                return false;
        }

        /*
         * This function is called when a page is fetched
         * and ready to be processed by your program
         */
        public void visit(Page page) {
                int docid = page.getWebURL().getDocid();
                String url = page.getWebURL().getURL();         
                String text = page.getText();
                List<WebURL> links = page.getURLs();            
        }
}

这是调用 MyCrawler 的 Controller.java 代码。

public class Controller {
        public static void main(String[] args) throws Exception {
                CrawlController controller = new CrawlController("/data/crawl/root");
                controller.addSeed("http://www.xyz.us.edu/");
                controller.start(MyCrawler.class, 10);  
        }
}

所以我只想确定这行代码在controller.java 文件中的含义是什么

controller.start(MyCrawler.class, 10);

。10 的含义是什么。如果我们将这个 10 增加到20 那么效果会怎样...任何建议将不胜感激...

Answer 1

此网站显示了 CrawlController 的源代码。

从 10 增加到 20 会增加爬网程序的数量（每个爬网程序都在自己的线程中） - 研究该代码将告诉您这会产生什么影响。

Answer 2

鉴于您在帖子上放置的名称，您似乎已经知道它的作用 - 它设置爬虫线程的数量。至于它会产生什么效果......这很大程度上取决于每个线程等待 I/O 的时间 - 主要是网络，还有一点磁盘，以及您拥有多少 CPU 和磁盘吞吐量。当以下情况之一发生时，就会出现吞吐量峰值：

• 没有更多的 CPU 时间
• 没有更多的网络带宽
• 没有更多的磁盘带宽

对于 CPU，不要期望达到 100% - 最多 80% 左右。