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：
复制代码
1 /**
2 * 测试集合与队列的插入与读写性能
3 *
4 * @author jiqunpeng@Gmail.com
5 *
6 */
7 public class SetQueueTest {
8 // 随即数构造器
9 PRivate static Random r = new Random(10);
10 // 控制测试线程停止的原子变量
11 private static AtomicBoolean stop = new AtomicBoolean(false);
12
13 /***
14 * 基类，供测试用
15 *
16 * @author jiqunpeng@gmail.com
17 *
18 */
19 static abstract class Service {
20 // 操作的计数器
21 protected long count = 0;
22
23 // 添加一堆元素，并去一个元素
24 public abstract String addAndPick(List<String> elements);
25
26 // 取一个元素
27 public abstract String pickOne();
28
29 /**
30 * 打印操作次数
31 */
32 public void tell() {
33 System.out.println(this + " :\t" + count);
34 }
35 }
36
37 /***
38 * 采用TreeSet的集合工具
39 *
40 * @author jiqunpeng@gmail.com
41 *
42 */
43 static class SetService extends Service {
44 private TreeSet<String> set = new TreeSet<String>();
45
46 @Override
47 public synchronized String addAndPick(List<String> elements) {
48 count++;
49 set.addAll(elements);
50 return set.pollFirst();
51 }
52
53 @Override
54 public synchronized String pickOne() {
55 count++;
56 return set.pollFirst();
57 }
58
59 }
60
61 /***
62 * 采用LinkedList的队列工具
63 *
64 * @author jiqunpeng@gmail.com
65 *
66 */
67 static class QueueService extends Service {
68 private Queue<String> queue = new LinkedList<String>();
69
70 @Override
71 public synchronized String addAndPick(List<String> elements) {
72 count++;
73 queue.addAll(elements);
74 return queue.poll();
75 }
76
77 @Override
78 public synchronized String pickOne() {
79 count++;
80 return queue.poll();
81 }
82 }
83
84 /***
85 * 测试类
86 *
87 * @author jiqunpeng@gmail.com
88 *
89 */
90 static class Tester implements Runnable {
91 // 绑定要测试的工具对象
92 private Service service;
93
94 Tester(Service s) {
95 this.service = s;
96 }
97
98 @Override
99 public void run() {
100 while (stop.get() == false) {
101 List<String> elements = new ArrayList<String>();
102 int len = r.nextInt(200) + 8;
103 for (int i = 0; i < len; i++) {
104 elements.add(String.valueOf(r.nextInt()));
105 }
106 service.addAndPick(elements);
107 for (int i = 0; i < 104; i++)
108 service.pickOne();
109 }
110 }
111 }
112
113 /***
114 * 多线程方式，测试一个插入、删除工具
115 *
116 * @param service
117 * @param time
118 * @param unit
119 * @throws InterruptedException
120 */
121 private static void test(Service service, int time, TimeUnit unit)
122 throws InterruptedException {
123 ExecutorService execs = Executors.newCachedThreadPool();
124 for (int i = 0; i < 20; i++) {
125 execs.execute(new Tester(service));
126 }
127 execs.shutdown();
128 unit.sleep(time);
129 stop.compareAndSet(false, true);
130 service.tell();
131 }
132
133 public static void main(String[] args) throws InterruptedException {
134 Service setService = new SetService();
135 test(setService, 5, TimeUnit.SECONDS);
136 stop.compareAndSet(true, false);// 重置终止条件
137 Service queueService = new QueueService();
138 test(queueService, 5, TimeUnit.SECONDS);
139 }
140 }
复制代码
输出的结果如下：
SetQueueTest$SetService@5e9de959 : 7149859
SetQueueTest$QueueService@11b343e0 : 24303408
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。
转载请注明出处：www.cnblogs.com/fengfenggirl
