heritrix 下载、安装、配置、以及简单开发

heritrix下载及配置

一、下载：到www.sourceforge.net网站搜索heritrix,然后分别下载下来heritrix-1.14.0-RC1.zip,heritrix-1.14.0-RC1-src.zip

二、配置

     .在非开发环境下配置的步骤

        1.解压heritrix-1.14.0-RC1.zip，假设解压到了c盘根目录下并把解压后的文件夹命名为heritrix

        2.进入c:\heritrix\conf复制文件jmxremote.password.template到c:\heritrix下并把文件重新命名为jmxremote.password，

          然后修改其内容为下：

           monitorRole @123456789@ ->monitorRole admin (@于@之间设置的是密码,后面是->用户角色用户名)

           controlRole @123456789@ ->controlRole shi

          并设置文件jmxremote.password的属性为只读

        3.进入c:\heritrix\conf打开文件heritrix.properties，修改其中的几项key-value值

          heritrix.cmdline.admin = admin:770629 (用户名：密码)

          heritrix.cmdline.port = 8080 (heritrix服务器默认端口号8080,保证该端口不被占用就不用改了)

        4.打开cmd，切换目录到c:\heritrix\bin

          然后敲入命令：heritrix --admin=admin:123456789

 

      .在eclipe中配置并启动的步骤

       1.首先解压heritrix-1.14.0-RC1.zip得到heritrix-1.14.0-RC1.jar，然后解压jar包，再解压heritrix-1.14.0-RC1-src.zip

        2.我把两个解压后的jar文件和heritrix-1.14.0-RC1-src.zip分别放在了E:\MyWork\heritrix\heritrix-1.14-jar目录下和

                E:\MyWork\libs\heritrix\heritrix-1.14.0-RC1-src\heritrix-1.14.0-RC1目录下

        3.创建一个动态Web工程

        4.把 E:\MyWork\heritrix\heritrix-1.14.0-RC1\lib目录下的所有jar文件导入工程,并且复制到工程下面的

            WebContent\WEB_INF下面，工程会自动把这些jar放在Web App Libraries里面

        5.把E:\MyWork\libs\heritrix\heritrix-1.14.0-RC1-src\heritrix-1.14.0-RC1\src\java下的com,org,st这三个目录都拷贝到

         工程src下面

        6.把 E:\MyWork\heritrix\heritrix-1.14-jar下的modules，arcMetaheaderBody.xsl，heritrix.properties，其修该内容是:

             heritrix.cmdline.admin = admin:770629 (用户名：密码)

             heritrix.cmdline.port = 8080 (heritrix服务器默认端口号8080,保证该端口不被占用就不用改了)

             然后将其拷贝到工程src下面

        7.把 E:\MyWork\libs\heritrix\heritrix-1.14.0-RC1-src\heritrix-1.14.0-RC1\src下的webapps拷贝到工程目录下面

        8.在工程下面新建一个jobs文件夹，heritrix抓取的内容默认是放在该文件夹下面

        9.现在就可以运行主类Heritrix.java了，然后就可以以web的形式访问服务器了：http://localhost:8080/登录就ok了

1.登录界面：

2.登录后你会看到这个界面：

3.下面开始建立一个简单的抓取测试点击Jobs进入新建job界面

 

 

4点击defaul建立一个缺省抓取

5.点击Modules进行参数设置

 

除了以上两个组件外，还有五个队列要配置，这5个队列依次heritrix的处理器链

 

 

 

 

 

 

 

单击setting

      

进入setting的界面（只需要设置下面的两个参数就可以了，其他的不太了解了）：

 

现在单击 Submitjob 再点击consol 然后点击start 抓取就开始了

 

下面是通过扩充框架来实现我们自己的抓取逻辑所要做的事情：

heritrix有多个扩展点，在这里我扩展了org.archive.crawler.FrontierScheduler

即写了一个类继承该类：

               覆盖 protected void schedule(CandidateURI caURI){

              //URL选择策略,只有符合这些条件的url才能进入等待抓取的队列

              //代码在此填充

        }

然后在Processor.Options内我们的类添加进来如：

ear.spider.postprocessor.FrontierSchedulerForPconlineMobile|FrontierSchedulerForPconlineMobile

表示把我们写的类添加到配置参数里

 

那么我们只需在抓取是选择我们自己抓取逻辑类就可以了。如图：

 

 
在命令行输入 heritrix --admin=admin:admin
提示无法在后台启动heritrix,提示可能有以下原因：
a)login and password not been specified
b)another program uses the port for the web uI
c)jmx password file is missing or permissions not set correctly
新打开的窗口显示exception in thread "main" java.lang.NoClassDfFoundError:org/archive/crawler/heritrix
我设置的用户名密码都是按照你说的方法，请帮我找一下原因，谢谢！liuminna 发表于2008年7月22日 18:31:57 IP:举报回复删除
前面的操作“在非开发环境下配置的步骤

1.解压heritrix-1.14.0-RC1.zip，假设解压到了c盘根目录下并把解压后的文件夹命名为heritrix

2.进入c:\heritrix\conf复制文件jmxremote.password.template到c:\heritrix下并把文件重新命名为jmxremote.password，

然后修改其内容为下：

monitorRole @123456789@ ->monitorRole admin (@于@之间设置的是密码,后面是->用户角色用户名)

controlRole @123456789@ ->controlRole shi

并设置文件jmxremote.password的属性为只读

3.进入c:\heritrix\conf打开文件heritrix.properties，修改其中的几项key-value值

heritrix.cmdline.admin = admin:770629 (用户名：密码)

heritrix.cmdline.port = 8080 (heritrix服务器默认端口号8080,保证该端口不被占用就不用改了)

”都进行了设置，不知问题在哪里

转载自：http://renegade24.iteye.com/blog/969777