Java socketRead0问题

Question

我正在使用htmlunit开发一个web cralwer并且我已经添加了所有必需的超时但我注意到当我使用Java VisualVM进行线程转储时,当某个网站的服务器被爬网时,应用程序挂起:

java.lang.Thread.State: RUNNABLE
at java.net.SocketInputStream.socketRead0(Native Method)
at java.net.SocketInputStream.read(SocketInputStream.java:129)
at java.net.SocksSocketImpl.readSocksReply(SocksSocketImpl.java:88)
at java.net.SocksSocketImpl.connect(SocksSocketImpl.java:429)
at java.net.Socket.connect(Socket.java:525)
at com.gargoylesoftware.htmlunit.SocksSocketFactory.connectSocket(SocksSocketFactory.java:89)
at org.apache.http.impl.conn.DefaultClientConnectionOperator.openConnection(DefaultClientConnectionOperator.java:148)
at org.apache.http.impl.conn.AbstractPoolEntry.open(AbstractPoolEntry.java:149)
at org.apache.http.impl.conn.AbstractPooledConnAdapter.open(AbstractPooledConnAdapter.java:121)
at org.apache.http.impl.client.DefaultRequestDirector.tryConnect(DefaultRequestDirector.java:573)
at org.apache.http.impl.client.DefaultRequestDirector.execute(DefaultRequestDirector.java:425)
at org.apache.http.impl.client.AbstractHttpClient.execute(AbstractHttpClient.java:820)
at org.apache.http.impl.client.AbstractHttpClient.execute(AbstractHttpClient.java:776)
at com.gargoylesoftware.htmlunit.HttpWebConnection.getResponse(HttpWebConnection.java:152)
at app.plugin.core.net.QHttpWebConnection.getResponse(QHttpWebConnection.java:30)
at com.gargoylesoftware.htmlunit.WebClient.loadWebResponseFromWebConnection(WebClient.java:1439)
at com.gargoylesoftware.htmlunit.WebClient.loadWebResponse(WebClient.java:1358)
at com.gargoylesoftware.htmlunit.WebClient.getPage(WebClient.java:307)
at com.gargoylesoftware.htmlunit.WebClient.getPage(WebClient.java:373)
at com.gargoylesoftware.htmlunit.WebClient.getPage(WebClient.java:358)

这真是令人沮丧,因为我无法控制这些服务器.此问题严重影响了我的应用程序的性能.

题:

1. 我该如何解决这个问题？
2. 有没有办法获取Java应用程序打开的套接字连接列表并使用它来终止套接字,就像服务器关闭连接的模拟一样？

Answer 1

我相信当你使用Java本机方法时,即使调用实际上被阻塞等待某个事件,堆栈跟踪也会说RUNNABLE.本质上,我不相信Java有任何方法可以知道本机方法实际上在做什么,所以它将这些调用标记为RUNNABLE.我用socketRead0()和socketAccept()看过这个 - 这两个通常都会阻塞.

您需要将超时设置为合理的时间长度,以便在服务器没有响应时您的请求将超时但在服务器忙碌时不会太短.应该编写您的应用程序以使用多个线程.我会尝试运行十几个或更多线程,并让每个线程等待最多五或十秒钟的响应.少数线程等待几乎没有开销.您还应注意在编写Web蜘蛛时不要轰炸具有大量请求的服务器.

Answer 2

这是一篇可能相关的博客文章:http://javaeesupportpatterns.blogspot.fi/2011/04/javanetsocketinputstreamsocketread0.html

简而言之,解决方案是确保定义套接字超时.默认值为0,表示没有超时.在这种情况下,显然,这取决于图书馆com.gargoylesoftware.htmlunit.快速浏览一下正确的方法可能是com.gargoylesoftware.htmlunit.WebClient.setTimeout.