Question

是否有任何有效的方法可以在Java中并行化大量的GET请求。我有一个200,000行的文件，每个行都需要来自Wikimedia的GET请求。然后我必须将一部分响应写入一个公共文件。我已将下面代码的主要部分粘贴为参考。

while ((line = br.readLine()) != null) {
    count++;
    if ((count % 1000) == 0) {
        System.out.println(count + " tags parsed");
        fbw.flush();
        bw.flush();
    }
    //System.out.println(line);
    String target = new String(line);
    if (target.startsWith("\"") && (target.endsWith("\""))) {
        target = target.replaceAll("\"", "");
    }
    String url = "http://en.wikipedia.org/w/api.php?action=query&prop=revisions&format=xml&rvprop=timestamp&rvlimit=1&rvdir=newer&titles=";
    url = url + URLEncoder.encode(target, "UTF-8");
    URL obj = new URL(url);
    HttpURLConnection con = (HttpURLConnection) obj.openConnection();
    // optional default is GET
    con.setRequestMethod("GET");
    //add request header
    //con.setRequestProperty("User-Agent", USER_AGENT);
    int responsecode = con.getResponseCode();
    //System.out.println("Sending 'Get' request to URL: " + url);
    BufferedReader in = new BufferedReader(new InputStreamReader(con.getInputStream()));
    String inputLine;
    StringBuffer response = new StringBuffer();
    while ((inputLine = in.readLine()) != null) {
        response.append(inputLine);         
    }
    Document doc = loadXMLFromString(response.toString());
    NodeList x = doc.getElementsByTagName("revisions");
    if (x.getLength() == 1) {
        String time = x.item(0).getFirstChild().getAttributes().item(0).getTextContent().substring(0,10).replaceAll("-", "");
        bw.write(line + "\t" + time + "\n");
    } else if (x.getLength() == 2) {
        String time = x.item(1).getFirstChild().getAttributes().item(0).getTextContent().substring(0, 10).replaceAll("-", "");          
        bw.write(line + "\t" + time + "\n");
    } else {
        fbw.write(line + "\t" + "NULL" + "\n");
    }
}

我用Google搜索，似乎有两种选择。一种是创建线程，另一种是使用称为Executor的东西。有人可以就哪一个更适合这项任务提供一些指导吗？

Answer 1

如果您确实需要通过GET请求来实现，我建议您使用带有小线程池（2或3）的ThreadPoolExecutor，以避免重载维基百科服务器。这将避免大量编码...

还要考虑使用Apache HttpClient库（具有持久连接！）。

但更好的想法是使用数据库下载选项。根据您的操作，您可以选择较小的下载之一。 This page讨论了各种选项。

注意：Wikipedia 更喜欢人们下载数据库转储（等等），而不是在他们的Web服务器上敲击。

Answer 2

你需要的是：

让生产者线程读取每一行并将其添加到队列中。
拥有一个ThreadPool，其中每个线程都会获取一个URL并执行GET请求
获取响应并将其添加到队列中。
再创建一个消费者线程，检查队列并将其添加到文件中。

Answer 3

如上所述，您应该根据服务器的容量确定并行GET请求的数量。如果你想坚持使用JVM但想要使用Groovy，这里是一个非常简短的并行GET请求示例。

最初有一个您要提取的网址列表。完成后，任务列表包含可通过get（）方法访问的所有结果，以便以后处理。这里只是打印出来作为例子。

import groovyx.net.http.AsyncHTTPBuilder

def urls = [
  'http://www.someurl.com',
  'http://www.anotherurl.com'
]
AsyncHTTPBuilder http = new AsyncHTTPBuilder(poolSize:urls.size())
def tasks = []
urls.each{
  tasks.add(http.get(uri:it) { resp, html -> return html })
}
tasks.each { println it.get() }

请注意，您在生产环境中需要注意超时，错误响应等。

并行化许多GET请求

3 个答案: