Larbin配备与使用

Larbin配置与使用

安装平台：Ubuntu 10.04.1 LTS（内核版本2.6.32-29-generic）
Larbin下载：http://sourceforge.net/projects/larbin/files/larbin/2.6.3/larbin-2.6.3.tar.gz/download
Larbin的安装：

tar -zxvf  larbin-2.6.3.tar.gz
cd larbin-2.6.3
./configure
make
这时会报错，修改
adns文件夹下internal.h文件569-571行：
adns_status adns__parse_domain(adns_state ads, int serv, adns_queryqu,
         vbuf *vb, parsedomain_flags flags,
         const byte *dgram, int dglen, int *cbyte_io, int max);
更正为：
adns_status adns__parse_domain(adns_state ads, int serv, adns_queryqu,
         vbuf *vb, adns_queryflags flags,
         const byte *dgram, int dglen, int *cbyte_io, int max);
然后到/usr/include/c++/下CP一份iostream文件到larbin的src目录下。并将其名改为iostream.h，在文件中添加一句usingnamespace std;
继续make就可以编译成功了！
运行 ./larbin
终止 ctrl+c

Larbin的配置：
如果英语水平还可以的话，最好直接看Larbin的文档，写得比较详细了，而且也简单（不是那种开发文档），在文件夹doc中。
Larbin的配置主要通过更改当前目录下的larbin.conf和options.h两个文件，文档也是针对这两个文件来讲解怎么配置。
在larbin.conf中，几个常用设置：
httpPort 8081 查看爬虫统计数据端口
pagesConnexions 100  并行连接的数目
dnsConnexions5           并行请求dns的数目
depthInSite5                   对一个站点访问的深度
waitDuration60              对同一服务器两次请求的时间间隔，不能小于30
startUrl http://www.mtime.com/ 起始url
#limitToDomain .fr .dk .uk end  拒绝爬取的域名
forbiddenExtensions      拒绝爬取以下扩展名的webpage

为了限定Larbin只爬取图片，在options.h中取消以下的注释（更改该文件要重新make才能生效）：

#define SPECIFICSEARCH
#define contentTypes ((char *[]) { "image/jpeg", "image/jpeg","image/bmp", "image/tiff", "image/gif", "image/png", NULL })
#define privilegedExts ((char *[]) { ".jpg", ".jpeg", ".bmp","tiff", ".gif", ".png", NULL })
// how do you want to manage specific pages (select one of thefollowings)
//#define DEFAULT_SPECIFIC
#define SAVE_SPECIFIC
//#define DYNAMIC_SPECIFIC

同时在larbin.conf文件中，注释掉对图片扩展名的限制：

forbiddenExtensions
.tar .gz .tgz .zip .Z .rpm .deb
.ps .dvi .pdf
#.png .jpg .jpeg .bmp .smi .tiff .gif
.mov .avi .mpeg .mpg .mp3 .qt .wav .ram .rm
.jar .java .class .diff
.doc .xls .ppt .mdb .rtf .exe .pps .so .psd

取消下面的注释，这个可以保证从上次停止的地方继续爬取：./larbin -scratch
#define RELOAD

不过有时重新启动时会出现trouble while creating dir: File exists
网上找的原因是：larbin Reload的实现其实是把hash表来保存，以及它的文件队列来实现的，如果你抓取的时间过短的话hash表不会被保存到文件上（有个数量的限制，只有达到那个抓取量，才会把内存中的hash表同步到文件一次）。具体还是看源码。

另外，正常爬取一段时间之后，可能会报这样的错误：

larbin: site.cc:97: void NamedSite::putInFifo(url*): Assertion`inFifo!=outFifo' failed.
出错地方的代码为：src/fetch/site.cc 97行，原因是队列已满，我改正的方法是直接丢弃后面的入队的元素

void NamedSite::putInFifo(url *u) {
fifo[inFifo] = u;
inFifo = (inFifo + 1) % maxUrlsBySite;
assert(inFifo!=outFifo);
}
应该将这个函数改为：

void NamedSite::putInFifo(url *u) {
if ((inFifo + 1) % maxUrlsBySite == outFifo)//the fifo is full
return;
fifo[inFifo] = u;
inFifo = (inFifo + 1) % maxUrlsBySite;
assert(inFifo!=outFifo);
}
最后，如果还要进一步的配置，可以更改type.h文件，也挺简单的。

测试实验：
为完成作业，在我奔腾双核，1G内存的本上爬了5个小时图片，下面个是Larbin自带web服务器上的统计数据：
----------------------------------------------
Start date: Fri Oct 14 14:45:59 2011
End date: Fri Oct 14 19:46:00 2011
Total time: 5:00:01
Total pages: 334597(8.5G)
Interesting pages
total fetched (success): 212773
total fetched (error or success) : 334597
privileged links seen (.jpg, .jpeg, .bmp, tiff, .gif, .png) :667742
privileged links fetched : 345455
Pages :
urls treated : 468042
forb robots : 12932
no dns:    31233

Pages:      422325
Success:    277923
no connection : 3856
early stop:    647
timeout:    3212
bad type:    1193
too big :   73
err 30X:    5744
err 40X:    5824
duplicate:    125398
urls accepted : 3428136 / 64000000
-----------------------------------------------
Network traffic: 500-1200 KB/sec
CPU used: 4%-9%
memory used:15%
------------------------------------------------

<来自IR project，同组成员：tjhd1989>

Larbin配备与使用

相关推荐