Heritrix源码分析(十一) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性...

Url是爬虫的核心,因为爬虫就是依赖URL一层一层的抓取下去，最后完成整个抓取。Heritrix中的URL比较特殊,有以下继承关系(由于不对继承关系作介绍,所以这里就不画图了):

1)org.archive.crawler.datamodel.CrawlURI——>CandidateURI

2)org.archive.net.UURI——>org.archive.net.LaxURI

——>org.apache.commons.httpclient.URI——>java.net.URL

前面说过CrawlURI和CandidateURI的区别在于CrawlURI是由通过了调度器(Frontier)的CandidateURI转换而来的。下面就先介绍CnadidateURI(主要介绍相关属性):

Java代码

1. publicstaticfinalintHIGH=1;//调度器调度等级：高
2. publicstaticfinalintHIGHEST=0;//调度器调度等级:最高
3. publicstaticfinalintMEDIUM=2;//调度器调度等级:中
4. publicstaticfinalintNORMAL=3;//调度器调度等级：普通
5. //URL字符串
6. privateStringcachedCandidateURIString=null;
8. //队列Key,不同队列有不同的classKey.其中相同classKey的CandidateURI则属于相同的队列
9. privateStringclassKey;
11. //是否强制访问,强制访问的话会重复抓取
12. privatebooleanforceRevisit=false;
13. //是不是种子
14. privatebooleanisSeed=false;
15. /**
16. *灵活的属性列表,Heritrix在运行过程中需要保存不固定的属性和属性值,
17. *同时扩展Heritrix属性也可以放在里面。不过需要特殊处理，等下单独介绍
18. */
19. privatetransientAListalist;
21. /**
22. *该值代表当前CandidateURI是如何从种子那里生成的,有如下生成方式：
23. *P:预先处理URL,一般是DNS,如DNS:www.baidu.com
24. *R:重定向URL
25. *E:嵌入式URL，如Frame、src等
26. *X:特殊嵌入式URL,如JS中的URL
27. *L:一般意义上的URL，如<ahref="www.baidu.com">
28. *该属性除了可以记录从种子那来源方式的话同时还可以记录深度,因为
29. *该值是一层一层传递，每传递一层则增加一个以上字符.如此通过长度
30. *可以判断当前URL属于种子的第几层从而做到控制抓取深度,如果当
31. *前CandidateURI是种子,则该值为null
32. */
33. privateStringpathFromSeed;
35. privateintschedulingDirective=NORMAL;//调度等级,默认为普通
36. privatetransientUURIuuri;//URL
37. privatetransientUURIvia;//来源URL
38. privateCharSequenceviaContext;//来源URL内容

下面再介绍一下CrawlURI相关属性,前面说过CrawlURI和CandidateURI最大区别就是CrawlURI通过了调度器,这也就意味着CrawlURI会进入队列抓取,如此CrawlURI就会相比CandidateURI对很多属性来记录抓取情况,如处理器，下面请看代码以及注释:

Java代码

1. //数组用户保存alist成员的key，使得URI处理期间可以持久化访问.这个list中的所有的key在传递下去的处理链后面都不会被清理掉
2. privatestaticfinalList<Object>alistPersistentMember=newCopyOnWriteArrayList<Object>(
3. newString[]{A_CREDENTIAL_AVATARS_KEY});
4. //一个CrawlURI所允许的最大外链接数(就是该CrawlURI本身网页里所包含的链接数)，默认为6000
5. publicstaticfinalintMAX_OUTLINKS=Integer.parseInt(System.getProperty(
6. CrawlURI.class.getName()+".maxOutLinks","6000"));
7. //放弃的外链接个数(当一个URL抽取出来的链接数超过MAX_OUTLINKS时就放弃,然后本变量累加)
8. transientprivateintdiscardedOutlinks=0;
10. publicstaticfinalintUNCALCULATED=-1;//网页内容长度,默认值
11. privateStringcachedCrawlURIString=null;//缓存的URL
12. privatebyte[]contentDigest=null;//网页内容指纹,对内容进行MD5值,该对象可以用于对比该URL是否有更新
13. privateStringcontentDigestScheme=null;//记录网页内容所采用算法，从配置文件里配置
14. privatelongcontentLength=UNCALCULATED;//相应内容长度
15. privatelongcontentSize=UNCALCULATED;//网页内容大小
16. privateStringcontentType=null;//网页内容类型
17. privateintdeferrals=0;//从先决条件URL延迟数
19. privateintfetchAttempts=0;//获取URL的个数
20. privateintfetchStatus=0;//获取URL内容状态,默认为0,表示没有尝试过
21. transientObjectholder;//所属的队列(WorkQueue)
22. intholderCost=UNCALCULATED;//成本
23. transientObjectholderKey;//所属队列的classkey
24. privatetransientHttpRecorderhttpRecorder=null;//记录网页内容
25. transientprivatebooleanlinkExtractorFinished=false;//抽取是否成功,如果成功则该URL不会再被抽取
26. transientprivateProcessornextProcessor;//下一个处理器
27. transientprivateProcessorChainnextProcessorChain;//下一条处理链
28. protectedlongordinal;//Crawl自增数目,用于广度优先抓取
29. transientCollection<Object>outLinks=newHashSet<Object>();//该URL抽取到的所有的连接
30. privatebooleanpost=false;//提交url是否post，对应HttpClient的HttpPost
31. privatebooleanprerequisite=false;//是否有优先URL要处理，一般是DNS
32. transientprivateintthreadNumber;//线程个数
33. privateStringuserAgent=null;//用户代理,表名当前身份
34. @Deprecated
35. privateintembedHopCount=UNCALCULATED;
36. @Deprecated
37. privateintlinkHopCount=UNCALCULATED;//跃点数,表示来自种子的第几层,该值可以控制抓取深度

同时很多人在使用Heritrix的时候需要增加自己的属性,我之前也有这样的需求。不过那时是直接修改源代码增加几个属性,然后在抽取的时候将新的属性赋给抽取出来的URL即可。后来才发现完全没有这个必要,Heritrix已经提供了这样一个功能，可以自定义放入各种属性和属性值。同时Heritrix自己在运行过程中也是如此,把一些会动态变化的属性放入其中,如HttpStatus Code。下面就介绍下其相关原理以及如何使用这个功能:

1)原理：

CandidateURI里面有一个属性private transient AList alist;该属性实际上是一个HashTable,其中Key为属性,Value为属性值。如此一致贯穿整个抓取，可以随时动态读写。但由于该属性是transient,也就意味着HashTable里面的值不会被持久化，所以Heritrix在CrawlURI里面引入一个个变量来记录HashTable中需要持久化的Key,也就是我们所要持久化的属性了：private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>( new String[] { A_CREDENTIAL_AVATARS_KEY });该属性类型为CopyOnWriteArrayList,也就是专门用于复制写的List,里面存放需要持久化的Key。所以当你需要某个HashTable中的某个Key持久化的时候，只需要在该变量里添加即可。

2)使用方法:

1.存放属性和属性值,变量可以按多种类型存放:

Java代码

1. //放入类型为Int的值
2. publicvoidputInt(Stringkey,intvalue){
3. getAList().putInt(key,value);
4. }
5. //放入类型为Long的属性值
6. publicvoidputLong(Stringkey,longvalue){
7. getAList().putLong(key,value);
8. }
9. //放入类型为Object的属性值
10. publicvoidputObject(Stringkey,Objectvalue){
11. getAList().putObject(key,value);
12. }
13. //放入类型为String的属性值
14. publicvoidputString(Stringkey,Stringvalue){
15. getAList().putString(key,value);
16. }

2.获得属性和属性值：

Java代码

1. //获得属性的值,该值为Int类型
2. publicintgetInt(Stringkey){
3. returngetAList().getInt(key);
4. }
5. //获得属性的值,该值为Long类型
6. publiclonggetLong(Stringkey){
7. returngetAList().getLong(key);
8. }
9. //获得属性的值,该值为Object类型
10. publicObjectgetObject(Stringkey){
11. returngetAList().getObject(key);
12. }
13. //获得属性的值,该值为String类型
14. publicStringgetString(Stringkey){
15. returngetAList().getString(key);
16. }

3.查看是否包含某个属性:

Java代码

1. //查看是否包含某个属性
2. publicbooleancontainsKey(Stringkey){
3. returngetAList().containsKey(key);
4. }

4.获得所有的属性:

Java代码

1. //返回所有的属性值
2. publicIteratorkeys(){
3. returngetAList().getKeys();
4. }

5.让某个属性持久化:

Java代码

1. publicvoidmakeHeritable(Stringkey){
2. @SuppressWarnings("unchecked")
3. List<String>heritableKeys=(List<String>)getObject(A_HERITABLE_KEYS);
4. if(heritableKeys==null){
5. heritableKeys=newArrayList<String>();
6. heritableKeys.add(A_HERITABLE_KEYS);
7. putObject(A_HERITABLE_KEYS,heritableKeys);
8. }
9. heritableKeys.add(key);
10. }

6.让某个属性不持久化:

Java代码

1. publicvoidmakeNonHeritable(Stringkey){
2. ListheritableKeys=(List)getObject(A_HERITABLE_KEYS);
3. if(heritableKeys==null){
4. return;
5. }
6. heritableKeys.remove(key);
7. if(heritableKeys.size()==1){
8. //onlyremainingheritablekeyisitself;disablecompletely
9. remove(A_HERITABLE_KEYS);
10. }
11. }

以上6个介绍完全可以让你扩展自己的属性以及让他们持久化，如果还有其他问题,请留言，或者加入群：10447185