Heritrix保持文件时,以“/”为分隔符保存为文件。例如 http://www.ssss.com/node/show.asp?id=111,保存的文件路径如下:在根目录创建www.sss.com文件夹,然后在www.sss.com文件夹下创建node文件夹,之后再node下建立名称为showid=111.asp文件。这就是Heritrix保存文件的方式。
当路径中有参数时,文件名会将参数放到.asp前面。如show.asp?id=111会存为showid=111.asp。这样我们文件就不好判断原网址了。看源码时发现在保存文件时,Heritrix先将参数分离,最后创建文件时将参数放到“.”前。我的思路是在参数前面加一个“.”符号,文件名就变成show.id=111.asp了。这样还原网址时只需做简单处理就可以了。
org.archive.crawler.writer.MirrorWriterProcessor类中 private URIToFileReturn uriToFile(CrawlURI curi, String host, int port,
String uriPath, String query, String suffix, String baseDir,
int maxSegLen, int maxPathLen, boolean caseSensitive,
String dirFile, Map characterMap, String dotBegin, String dotEnd,
String tooLongDir, boolean suffixAtEnd, Set underscoreSet)方法中,query存放的就是参数。对query做下处理query = query == null ? query : "." + query;