这两天在写一个java多线程的爬虫，以广度优先爬取网页，设置两个缓存：
- 一个保存已经访问过的URL：vistedUrls
- 一个保存没有访问过的URL：unVistedUrls
需要爬取的数据量不大，对URL压缩后，可以把这两个数据结构都放入内存，vistedUrls很显然用HashSet<String>实现，因为已经访问的URL只会添加，不会删除和修改，使用HashSet可以高效判断一个URL是否已经访问。
纠结unVistedUrls该用什么数据结构，如果用队列的话，并发情况下，队列中可能会用重复的URL，比如一个线程A爬了CSDN的一个URL1，另一个线程B爬了博客园的一个URL2，URL1和URL2的页面都有一个相同的出链URL3，线程A把URL3加入到unVistedUrls的队尾，等待下次爬取，但在URL3被爬取之前，线程B也把URL3加到队尾，这样队列中就有两个相同的URL，可能会导致重复爬取网页，当然可以通过其他方法来保证不会重复爬取。
然后就想能否也用Set来保存未访问的URL，这样在添加新的URL时，自动去重处理了，能够有效保证不爬取重复网页。但是unVistedUrls会有大量的插入和删除操作，我认为对集合进行大量的插入删除性能会比较低，为了测试集合的插入删除性能对比队列低多少，我写了一个简单的并发测试：
- package com.xwtech.uomp.base.action.handler.admin;
- public class asdsd {
- /**
- 测试集合与队列的插入与读写性能 **/
- public class SetQueueTest { // 随即数构造器
- private static Random r = new Random(10); // 控制测试线程停止的原子变量
- private static AtomicBoolean stop = new AtomicBoolean(false); 12
- static abstract class Service {
- // 操作的计数器
- protected long count = 0;
- // 添加一堆元素，并去一个元素
- public abstract String addAndPick(List<String> elements);
- // 取一个元素
- public abstract String pickOne();
- public void tell() {
- System.out.println(this + " :t" + count);
- }
- }
- }
- static class SetService extends Service {
- private TreeSet<String> set = new TreeSet<String>();
- @Override
- public synchronized String addAndPick(List<String> elements)
- {
- count++;
- set.addAll(elements);
- return set.pollFirst();
- }
- @Override
- public synchronized String pickOne()
- {
- count++;
- return set.pollFirst();
- }
- }
- static class QueueService extends Service {
- private Queue<String> queue = new LinkedList<String>();
- @Override
- public synchronized String addAndPick(List<String> elements)
- { count++;
- queue.addAll(elements);
- return queue.poll();
- }
- @Override
- public synchronized String pickOne() {
- count++;
- return queue.poll();
- }
- }
- static class Tester implements Runnable {
- // 绑定要测试的工具对象
- private Service service;
- Tester(Service s) {
- this.service = s;
- }
- @Override
- public void run() {
- while (stop.get() == false) {
- List<String> elements = new ArrayList<String>();
- int len = r.nextInt(200) + 8;
- for (int i = 0; i < len; i++) {
- elements.add(String.valueOf(r.nextInt()));
- }
- service.addAndPick(elements);
- for (int i = 0; i < 104; i++)
- service.pickOne();
- }
- }
- }
- private static void test(Service service, int time, TimeUnit unit)
- throws InterruptedException
- {
- ExecutorService execs = Executors.newCachedThreadPool();
- for (int i = 0; i < 20; i++) {
- execs.execute(new Tester(service));
- }
- execs.shutdown();
- unit.sleep(time);
- stop.compareAndSet(false, true);
- service.tell();
- }
- public static void main(String[] args) throws InterruptedException
- {
- Service setService = new SetService();
- test(setService, 5, TimeUnit.SECONDS);
- stop.compareAndSet(true, false);// 重置终止条件
- Service queueService = new QueueService();
- test(queueService, 5, TimeUnit.SECONDS);
- }
- }
复制代码
输出的结果如下：
- [email protected] : 7149859 [email protected] : 24303408
复制代码
- 测试结果让我感到吃惊，TreeSet的插入删除效率确实比LinkedList低，20个线程跑了10秒，使用队列，插入删除24303408次，使用集合，插入删除7149859次。它们之间差距并不大，队列只比集合快2~3倍。属于同一个数量级。于是我这个小型的爬虫应该放心的选择用Set作为unVistedUrls的实现。
复制代码
时间： 2024-11-05 12:34:48