Question

美好的一天。

我的网络抓取工具项目存在拦截问题。逻辑很简单。首先创建一个Runnable，它下载html文档，扫描所有链接，然后在所有资助的链接上创建新的Runnable对象。每个新创建的Runnable轮流为每个链接创建新的Runnable对象并执行它们。

问题是ExecutorService永远不会停止。

CrawlerTest.java

public class CrawlerTest {

    public static void main(String[] args) throws InterruptedException {
        new CrawlerService().crawlInternetResource("https://jsoup.org/");
    }
}

CrawlerService.java

import java.io.IOException;
import java.util.Collections;
import java.util.Set;
import java.util.concurrent.ConcurrentHashMap;
import java.util.concurrent.ExecutorService;
import java.util.concurrent.Executors;
import java.util.concurrent.TimeUnit;

import org.jsoup.Jsoup;
import org.jsoup.nodes.Document;
import org.jsoup.nodes.Element;
import org.jsoup.select.Elements;

public class CrawlerService {

    private Set<String> uniqueUrls = Collections.newSetFromMap(new ConcurrentHashMap<String, Boolean>(10000));
    private ExecutorService executorService = Executors.newFixedThreadPool(8);
    private String baseDomainUrl;

    public void crawlInternetResource(String baseDomainUrl) throws InterruptedException {
        this.baseDomainUrl = baseDomainUrl;
        System.out.println("Start");
        executorService.execute(new Crawler(baseDomainUrl)); //Run first thread and scan main domain page. This thread produce new threads.
        executorService.awaitTermination(10, TimeUnit.MINUTES);
        System.out.println("End");
    }

    private class Crawler implements Runnable { // Inner class that encapsulates thread and scan for links

        private String urlToCrawl;

        public Crawler(String urlToCrawl) {
            this.urlToCrawl = urlToCrawl;
        }

        public void run() {
            try {
                findAllLinks();
            } catch (InterruptedException e) {
                e.printStackTrace();
            }
        }

        private void findAllLinks() throws InterruptedException {
            /*Try to add new url in collection, if url is unique adds it to collection, 
             * scan document and start new thread for finded links*/
            if (uniqueUrls.add(urlToCrawl)) { 
                System.out.println(urlToCrawl);

                Document htmlDocument = loadHtmlDocument(urlToCrawl);
                Elements findedLinks = htmlDocument.select("a[href]");

                for (Element link : findedLinks) {
                    String absLink = link.attr("abs:href");
                    if (absLink.contains(baseDomainUrl) && !absLink.contains("#")) { //Check that we are don't go out of domain
                        executorService.execute(new Crawler(absLink)); //Start new thread for each funded link
                    }
                }
            }
        }

        private Document loadHtmlDocument(String internetResourceUrl) {
            Document document = null;
            try {
                document = Jsoup.connect(internetResourceUrl).ignoreHttpErrors(true).ignoreContentType(true)
                        .userAgent("Mozilla/5.0 (Windows NT 6.1; WOW64; rv:48.0) Gecko/20100101 Firefox/48.0")
                        .timeout(10000).get();
            } catch (IOException e) {
                System.out.println("Page load error");
                e.printStackTrace();
            }
            return document;
        }
    }
}

此应用程序需要大约20秒来扫描jsoup.org以获取所有唯一链接。但它等了10分钟executorService.awaitTermination(10, TimeUnit.MINUTES); 然后我看到死主线程仍在工作执行者。

Threads

如何强制ExecutorService正常工作？

我认为问题在于它在主线程中调用另一个任务中的executorService.execute。

Answer 1

您滥用awaitTermination。根据javadoc，您应首先致电shutdown：

阻止所有任务在关闭请求之后完成执行，或发生超时，或者当前线程被中断，以先发生者为准。

为了实现您的目标，我建议您使用CountDownLatch（或锁定支持增量，如this one）来确定没有任务的确切时刻，这样您就可以安全地{{1} }。

Answer 2

我在前面看到你的评论：

我不能使用CountDownLatch，因为我事先不知道我将从资源中收集多少个唯一链接。

首先，vsminkov就是为什么awaitTermniation会等待10分钟的答案。我会提供另一种解决方案。

而不是使用CountDownLatch使用Phaser。对于每个新任务，您都可以注册并等待完成。

每次调用register时创建一个移植器execute.submit，每次arrive完成时创建Runnable。

public void crawlInternetResource(String baseDomainUrl) {
    this.baseDomainUrl = baseDomainUrl;

    Phaser phaser = new Phaser();
    executorService.execute(new Crawler(phaser, baseDomainUrl)); 
    int phase = phaser.getPhase();
    phase.awaitAdvance(phase);
}

private class Crawler implements Runnable { 

    private final Phaser phaser;
    private String urlToCrawl;

    public Crawler(Phaser phaser, String urlToCrawl) {
        this.urlToCrawl = urlToCrawl;
        this.phaser = phaser;
        phaser.register(); // register new task
    }

    public void run(){
       ...
       phaser.arrive(); //may want to surround this in try/finally
    }

Answer 3

你没有打电话给关机。

这可能有效--CrawlerService中的AtomicLong变量。在将每个新子任务提交给执行程序服务之前递增。

修改run（）方法以递减此计数器，如果为0，则关闭执行程序服务

public void run() {
    try {
        findAllLinks();
    } catch (InterruptedException e) {
        e.printStackTrace();
    } finally {
        //decrements counter
        //If 0, shutdown executor from here or just notify CrawlerService who would be doing wait().
    }
}

在“finally”中，减少计数器，当计数器为零时，关闭执行程序或只是通知CrawlerService。 0表示，这是最后一个，没有其他正在运行，没有在队列中挂起。没有任务会提交任何新的子任务。

Answer 4

如何强制ExecutorService正常工作？

我认为问题在于它在主线程中调用另一个任务中的executorService.execute。

没有。问题不在于ExecutorService。您使用的API方式不正确，因此无法获得正确的结果。

您必须按特定顺序使用三个API才能获得正确的结果。

1. shutdown
2. awaitTermination
3. shutdownNow

来自ExecutorService的oracle文档页面的推荐方法：

 void shutdownAndAwaitTermination(ExecutorService pool) {
   pool.shutdown(); // Disable new tasks from being submitted
   try {
     // Wait a while for existing tasks to terminate
     if (!pool.awaitTermination(60, TimeUnit.SECONDS)) {
       pool.shutdownNow(); // Cancel currently executing tasks
       // Wait a while for tasks to respond to being cancelled
       if (!pool.awaitTermination(60, TimeUnit.SECONDS))
           System.err.println("Pool did not terminate");
     }
   } catch (InterruptedException ie) {
     // (Re-)Cancel if current thread also interrupted
     pool.shutdownNow();
     // Preserve interrupt status
     Thread.currentThread().interrupt();
   }

shutdown():启动有序关闭，其中先前提交的任务已执行，但不会接受任何新任务。

shutdownNow():尝试停止所有正在执行的任务，停止等待任务的处理，并返回等待执行的任务列表。

awaitTermination():阻止所有任务在关闭请求或超时发生后执行完毕，或当前线程中断，以先发生者为准。

另请注意：如果您想等待所有任务完成，请参阅此相关的SE问题：

wait until all threads finish their work in java

我更喜欢使用最适合您用例的invokeAll()或ForkJoinPool()。

ExecutorService永远不会停止。在另一个执行任务

4 个答案: