基于Java的Heritrix爬取网页

任务：重写一些定制扩展类来实现“网易手机频道”网页的抓取任务。

(转载请注明出处)

准备
环境：eclipse Mars.2 Release (4.5.2)
抓取工具：Heritrix1.14.4
前提条件：已经在eclipse中搭建好了Heritrix环境

参考：http://blog.csdn.net/wy_kath/article/details/9385015

---

Tomcat PluginV 插件的安装：
PS：安装TomcatPlugin真是太坑了，一定要注意版本的问题,目前最新版本为3.3.1（好像很长时间都没有更新了）,本人亲测可以在eclipse4.5上面成功安装，之前由于用3.2 和3.3试了很多次都不成功，一度怀疑自己的智商，Hehe。详细匹配关系见官网：

Tomcat PluginV 插件官网: http://www.eclipsetotale.com/tomcatPlugin.html
安装步骤：
注：本人安装的是3.3.1版本，3.2与3.3的解压之后是一大堆东西，而3.3.1解压之后只有一个 Jar包，请注意。
1.下载插件，并解压
2.解压之后是一个Jar包，直接将其放在eclipse的plugins目录下，重新启动就可以看到下图了：

3.配置

安装完毕。

———————————————————————————————————————————

开始任务：
代码编写：
1.设计网页抓取的Extractor类
新建包：my.extractor
在该包中新建类文件：Mobile163Extractor，代码见文末
2.设计网页抓取的Frontier类扩展。
新建包：my.postprocessor
在该包中新建类文件：FrontierSchedulerFor163Mobile,代码见文末
3.文件配置：
在processor中添加所编写的扩展类的信息：
my.extractor.Mobile163Extractor|Mobile163Extractor
my.postprocessor.FrontierSchedulerFor163Mobile|FrontierSchedulerFor163Mobile
如下图所示：

4 .配置ClassPath
（该步骤非常关键，如果不做的话，将会导致在设置处理器链时没有Add/Change按钮及相应的下拉菜单），过程如下：
右键Heritrix->Run As->Run configuratins…..->classpath->user Entries->Advanced->Add External Folder，找到modules的上一级目录conf将其加入即可。
配置完成后最好重新启动。

注：关于该步骤的原理分析，想要学习的话参照下面网址，几乎所有所有的帖子博客都在讲步骤，这个却是我见过分析并解决问题的，推荐大家看一下，这样会有更深入的理解，（虽然版面乱的一塌糊涂）：http://www.tc5u.com/java/1938960.htm

---

开始抓取任务流程：
0.环境测试：

1.设置种子Seeds：
即你要抓取的网页URL，越精准越好。
2.设置处理链
以下两个处理链需更改，其余的默认即可。


3.属性设置：
以下属性更改，其余的默认即可。

改为：

5.Start运行

6.运行状态分析

抓取结果分析：
可以看到设置的种子成功抓取：

方框中的6个文件记录了本次抓取结果中的相关数据：
（对应的目录是jobs下的任务）

下面对着6个文件做一下简单分析：
（1）Crack order：
主要记录的是本次抓取任务的相关设置

（2）Crack Report
抓取任务状态描述，以及抓取到的数据归类分析

（3）Crawl.log

Tip：如何将抓取到的网页的各种镜像设定存储到磁盘上？
方法：在设置处理器链的时候，有一个Writer，将其设定为：
org.rachive.craweler.prefetch.Preselector,这样一来将会用镜像Mirror的方式来存储抓取结果，抓取任务结束后，可以看到好多“分类文件包”。

（PS：之前没有注意到这个问题）

下一节将会对Heritrix的架构，原理做以简单的分析、介绍