如何减少/更改爬网后的延迟？

Question

有人使用过Crawler4j吗？

我按照the project page的例子实现了我自己的爬虫。爬虫运行良好，爬行速度非常快。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睡眠时间可能是值得的。

如果您能腾出一些时间，一个更好的解决方案是重写这个方法。我会用ExecutorService替换List<Thread> threads，它的awaitTermination方法会特别方便。与睡眠不同的是，如果所有任务都完成了，awaitTermination(10, TimeUnit.SECONDS)将立即返回。