Question

有没有使用Crawler4j的经验？

我按照the project page中的示例来实现自己的抓取工具。爬虫工作正常，爬得非常快。唯一的问题是我总是有20-30秒的延迟。有没有办法避免等待时间？

Answer 1

刚查过crawler4j source code。 CrawerController.start方法有很多固定的10秒“暂停”，以确保线程已完成并准备好进行清理。

// Make sure again that none of the threads
// are
// alive.
logger.info("It looks like no thread is working, waiting for 10 seconds to make sure...");
sleep(10);

// ... more code ...

logger.info("No thread is working and no more URLs are in queue waiting for another 10 seconds to make sure...");
sleep(10);

// ... more code ...

logger.info("Waiting for 10 seconds before final clean up...");
sleep(10);

此外，主循环每10秒检查一次，以了解爬行线程是否已完成：

while (true) {
    sleep(10);
    // code to check if some thread is still working
}

protected void sleep(int seconds) {
   try {
       Thread.sleep(seconds * 1000);
   } catch (Exception ignored) {
   }
}

因此，微调这些呼叫并减少休眠时间可能是值得的。

如果可以节省一些时间，更好的解决方案是重写此方法。我会将List<Thread> threads替换为ExecutorService，其awaitTermination方法会特别方便。与睡眠不同，如果完成所有任务，awaitTermination(10, TimeUnit.SECONDS)将立即返回。

如何在爬行后减少/更改延迟？

1 个答案: