下载最新版的heritrix1.14.4.zip和heritrix-1.14.4-src.zip。地址:
http://sourceforge.net/projects/archive-crawler/files/archive-crawler%20(heritrix%201.x)/
二、在Eclipse中配置Heritrix
1、新建空的java项目(注意不是WEB项目),命名为heritrix;
2、把heritrix-1.14.4-src\src\java\目录下的org、st和com文件夹拷贝到heritrix/src目录下;
3、把heritrix-1.14.4-src\src下的wbapps文件夹拷贝到heritrix目录下;
4、右击heritrix项目,点击properties ,通过JavaBuildPath,将heritrix-1.14.4-src下的lib目录下的所有包导入进来;
5、解压缩heritrix-1.14.4目录下的heritrix-1.14.4.jar文件
(你没看错,就是用7zip或者win rar把这个jar包给解压了),把解压后的所有文件和文件夹(除org、st、com文件夹和heritrix.properties文件外)拷贝到heritrix目录下;
6、将heritrix-1.14.4目录下的conf文件夹拷贝到heritrix目录下;并将heritrix目录下的profiles文件夹移入conf文件夹中;
7、打开eclipse下的heritrix/conf/heritrix.properties文件,找到"heritrix.cmdline.admin=",修改为“heritrix.cmdline.admin = admin:admin”;
8、Conf/jmxremote.password.template拷贝到heritrix目录下。改名为:jmxremote.password,最后再行改成:
monitorRole admin
controlRole admin
9、找到org.archive.crawler包,运行Heritrix.java中的main函数。
成功提示信息为:
09:14:07.406 EVENT Starting Jetty/4.2.23
09:14:07.656 EVENT Started WebApplicationContext[/,Heritrix Console]
09:14:07.750 EVENT Started SocketListener on 127.0.0.1:8082
09:14:07.750 EVENT Started org.mortbay.jetty.Server@179c285
Heritrix version: 1.14.4
09:14:07.656 EVENT Started WebApplicationContext[/,Heritrix Console]
09:14:07.750 EVENT Started SocketListener on 127.0.0.1:8082
09:14:07.750 EVENT Started org.mortbay.jetty.Server@179c285
Heritrix version: 1.14.4
可能会出现的异常:
1、在Heritrix.java中出现File URLConnection 红叉;
解决办法:将myeclipse中的compiler 属性中的Errors/warring 中的Forbidden....选为warrning即可。
2、出现的异常
:......thread-10 org.archive.util.ArchiveUtils.<linit>( )TLD list....
在我的机器上,报错完整内容为:SEVERE thread-1 org.archive.util.ArchiveUtils.<clinit>() TLD list unavailable
解决办法是把这个txt(tlds-alpha-by-domain.txt)拷贝到heritrix/bin/org/archive/util目录下。
3、在eclipse中可以启动heritrix,但在jobs->modules.jsp页面中没有添加(“Add”)按扭,且出现以下异常。
致使错误:“无法编译样式表”
严重
thread-12 org.archive'crawler.framework.WriterPodProcessor.io.arc.......
解决办法:将heritrix 项目中的modules移动到src目录下。