第五篇，对象池的设计与实现
前面每爬取一个任务都对应一个Job任务，试想一下，当我们爬取网页越来越多，速度越来越快时，就会出现频繁的Job对象的创建和销毁，因此本片将考虑如何实现对象的复用，减少频繁的gc
设计
我们的目标是设计一个对象池，用于创建Job任务，基本要求是满足下面几点:
- 可以配置对象池的容量大小
- 通过对象池获取对象时，遵循一下规则：
- 对象池中有对象时，总对象池中获取
- 对象池中没有可用对象时，新创建对象返回（也可以采用阻塞，直到有可用对象，我们这里采用直接创建新对象方式）
- 对象用完后扔回对象池
实现
1. 创建对象的工厂类 ObjectFactory
对象池在初始化对象时，借用对象工厂类来创建，实现解耦
1
2
3
4
5
| public interface ObjectFactory<T> {
T create();
}
|
2. 对象池中的对象接口 IPollCell
因为每个对象都拥有自己的作用域，内部包含一些成员变量，如果对象重用时，这些成员变量的值，可能会造成影响，因此我们定义 IPoolCell 接口，其中声明一个方法，用于重置所有的变量信息
1
2
3
4
5
6
7
8
| public interface IPoolCell {
void clear();
}
|
3. 一个简单的对象池 SimplePool
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
| package com.quick.hui.crawler.core.pool;
import lombok.extern.slf4j.Slf4j;
import java.util.concurrent.BlockingQueue;
import java.util.concurrent.LinkedBlockingQueue;
import java.util.concurrent.atomic.AtomicInteger;
@Slf4j
public class SimplePool<T extends IPoolCell> {
private static SimplePool instance;
public static void initInstance(SimplePool simplePool) {
instance = simplePool;
}
public static SimplePool getInstance() {
return instance;
}
private int size;
private BlockingQueue<T> queue;
private String name;
private ObjectFactory objectFactory;
private AtomicInteger objCreateCount = new AtomicInteger(0);
public SimplePool(int size, ObjectFactory objectFactory) {
this(size, "default-pool", objectFactory);
}
public SimplePool(int size, String name, ObjectFactory objectFactory) {
this.size = size;
this.name = name;
this.objectFactory = objectFactory;
queue = new LinkedBlockingQueue<>(size);
}
public T get() {
T obj = queue.poll();
if (obj != null) {
return obj;
}
obj = (T) objectFactory.create();
int num = objCreateCount.addAndGet(1);
if (log.isDebugEnabled()) {
if (objCreateCount.get() >= size) {
log.debug("objectPoll fulled! create a new object! total create num: {}, poll size: {}", num, queue.size());
} else {
log.debug("objectPoll not fulled!, init object, now poll size: {}", queue.size());
}
}
return obj;
}
public void release(T obj) {
obj.clear();
boolean ans = queue.offer(obj);
if (log.isDebugEnabled()) {
log.debug("return obj to pool status: {}, now size: {}", ans, queue.size());
}
}
public void clear() {
queue.clear();
}
}
|
上面的方法中，主要看get和release方法，简单说明
get 方法
- 首先是从队列中获取对象（非阻塞方式，获取不到时返回null而不是异常）
- 队列为空时，新建一个对象返回
- 未初始化队列，创建的对象表示可回收重复使用的
- 队列填满了，但是被其他线程获取完了，此时创建的对象理论上不需要重复使用，用完一次就丢掉
- release 方法
4. Job修改
既然要使用对象池，那么我们的IJob对象需要实现 IPoolCell接口了
将实现放在 DefaultAbstractCrawlJob 类中
1
2
3
4
5
6
7
| @Override
public void clear() {
this.depth = 0;
this.crawlMeta = null;
this.fetchQueue = null;
this.crawlResult = null;
}
|
使用
上面只是实现了一个最简单的最基础的对象池，接下来就是适配我们的爬虫系统了
之前的创建Job任务是在 com.quick.hui.crawler.core.fetcher.Fetcher#start 中直接根据传入的class对象来创建对象，因此，第一步就是着手改Fetcher类
1. 初始化对象池
创建方法修改，新增对象池对象初始化：Fetcher.java
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
| public <T extends DefaultAbstractCrawlJob> Fetcher(Class<T> jobClz) {
this(0, jobClz);
}
public <T extends DefaultAbstractCrawlJob> Fetcher(int maxDepth, Class<T> jobClz) {
this(maxDepth, () -> {
try {
return jobClz.newInstance();
} catch (Exception e) {
log.error("create job error! e: {}", e);
return null;
}
});
}
public <T extends DefaultAbstractCrawlJob> Fetcher(int maxDepth, ObjectFactory<T> jobFactory) {
this.maxDepth = maxDepth;
fetchQueue = FetchQueue.DEFAULT_INSTANCE;
threadConf = ThreadConf.DEFAULT_CONF;
initExecutor();
SimplePool simplePool = new SimplePool<>(ConfigWrapper.getInstance().getConfig().getFetchQueueSize(), jobFactory);
SimplePool.initInstance(simplePool);
}
|
说明
为什么将创建的对象池座位 SimplePool的静态变量 ?
因为每个任务都是异步执行，在任务执行完之后扔回队列，这个过程不在 Fetcher对象中执行，为了共享对象池，采用了这种猥琐的方法
2. 启动方法修改
在创建 Fetcher 对象时，已经初始化好对象池，因此start方法不需要接收参数，直接改为
1
2
3
4
5
6
7
8
9
10
11
| public <T extends DefaultAbstractCrawlJob> void start() throws Exception {
....
DefaultAbstractCrawlJob job = (DefaultAbstractCrawlJob) SimplePool.getInstance().get();
job.setDepth(this.maxDepth);
job.setCrawlMeta(crawlMeta);
job.setFetchQueue(fetchQueue);
executor.execute(job);
...
|
测试
测试代码与之前有一点区别，即 Fetcher 在创建时选择具体的Job对象类型，其他的没啥区别
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
| public static class QueueCrawlerJob extends DefaultAbstractCrawlJob {
public void beforeRun() {
super.setResponseCode("gbk");
}
@Override
protected void visit(CrawlResult crawlResult) {
}
}
@Test
public void testCrawel() throws Exception {
Fetcher fetcher = new Fetcher(2, QueueCrawlerJob.class);
String url = "http://chengyu.911cha.com/zishu_4.html";
CrawlMeta crawlMeta = new CrawlMeta();
crawlMeta.setUrl(url);
crawlMeta.addPositiveRegex("http://chengyu.911cha.com/zishu_4_p[0-9]+\\.html$");
fetcher.addFeed(crawlMeta);
fetcher.start();
}
|
待改进
上面只是实现了一个最基本简单的对象池，有不少可以改进的地方
- 对象池实例的维护，上面是采用静态变量方式，局限太强，导致这个对象池无法多个共存
- 对象池大小没法动态配置，初始化时设置好了之后就没法改
- 可考虑新增阻塞方式的获取对象
以上坑留待后续有空进行修改
3. 源码地址
项目地址： https://github.com/liuyueyi/quick-crawler
对象池对应的tag: v0.008
相关博文
Quick-Crawel爬虫系列博文
参考
II. 其他
一灰灰的个人博客，记录所有学习和工作中的博文，欢迎大家前去逛逛
声明
尽信书则不如，已上内容，纯属一家之言，因个人能力有限，难免有疏漏和错误之处，如发现bug或者有更好的建议，欢迎批评指正，不吝感激
扫描关注
