最近项目要用到 Heritrix 需要集成到我们的工程中,编程启动.... 起初的思路想深入研究 Heritrix 的源代码,企图自己组织 Heritrix 内部的方法,来实现抓取, 研究数日无果..... :cry: 参考各方面的资料,虽然了解其内部的实现 的实现流程,但依然无法集成入我们的工程。资料可参考
http://www.cnblogs.com/hustcat/archive/2008/10/11/1308866.html
后决定曲线救国,就利用 Heritrix 提供的 UI 页面上现成的 方法好了。 :lol: 以下是一点小心得,
抓取步骤:
1 创建初始化话的 配置文件。[color=red]order.xml,seeds.txt,state.job[/color]
2 启动 startCrawler() 方法,最终调用setupForCrawlStart() 方法抓取
思路:
自己用io生成 任务文件夹 包括order.xml,seeds.txt,state.job 三个文件。
-----------------
order.xml 配置文件,就是我们再UI 界面里 Modules,Settings,设置参数,比较重要的有
Select Writers 保存方式--MirrorWriterProcessor
user-agent: --版本号 , IP
from: 邮箱(只要符合格式就好了)
------------------
seeds.txt 你要爬取的网址。
----------------------
state.job 一些参数,比如 编号,名称, 状态,配置文件名--order.xml
[color=red]注意:这里比较重要的一个参数, 第三个 要设置成 Pending 这个参数表示任务当前的状态
有Running ,Finished ,等 。一定要 Pending 才可以被识别成 可抓取状态的[/color]。
将3个文件写入一个任务文件夹 ,文件夹依然写入到jobs 。
***************************************************
以上我已经试验了,可以正常爬取,程序里调用没有试呢还。
**************
写完后 再你程序里 调用 ../.../action.jsp?action=stop/star 即可 暂停/开始 任务了
好偷懒的 思路了 哈哈!
**********************
多提建议啊 通知们 有更好的方法的 欢迎探讨啊
qq 12616383 注明 Heritrix :D
http://www.cnblogs.com/hustcat/archive/2008/10/11/1308866.html
后决定曲线救国,就利用 Heritrix 提供的 UI 页面上现成的 方法好了。 :lol: 以下是一点小心得,
抓取步骤:
1 创建初始化话的 配置文件。[color=red]order.xml,seeds.txt,state.job[/color]
2 启动 startCrawler() 方法,最终调用setupForCrawlStart() 方法抓取
思路:
自己用io生成 任务文件夹 包括order.xml,seeds.txt,state.job 三个文件。
-----------------
order.xml 配置文件,就是我们再UI 界面里 Modules,Settings,设置参数,比较重要的有
Select Writers 保存方式--MirrorWriterProcessor
user-agent: --版本号 , IP
from: 邮箱(只要符合格式就好了)
------------------
seeds.txt 你要爬取的网址。
----------------------
state.job 一些参数,比如 编号,名称, 状态,配置文件名--order.xml
[color=red]注意:这里比较重要的一个参数, 第三个 要设置成 Pending 这个参数表示任务当前的状态
有Running ,Finished ,等 。一定要 Pending 才可以被识别成 可抓取状态的[/color]。
将3个文件写入一个任务文件夹 ,文件夹依然写入到jobs 。
***************************************************
以上我已经试验了,可以正常爬取,程序里调用没有试呢还。
**************
写完后 再你程序里 调用 ../.../action.jsp?action=stop/star 即可 暂停/开始 任务了
好偷懒的 思路了 哈哈!
**********************
多提建议啊 通知们 有更好的方法的 欢迎探讨啊
qq 12616383 注明 Heritrix :D