Heritrix资源、绑定IP、启动参数、中文乱码

Heritrix 资源

网络上的 Heritrix 中文资源比较少，整理一下：

 

中文：

l          《开发自己的搜索引擎 Lucene 2.0 + Heritrix 》作者邱哲 & 符滔滔的 BLOG

http://lucenebook.spaces.live.com/

 

l          《开发自己的搜索引擎 Lucene 2.0 + Heriterx 》 第十章扩展 Heritrix 试读章节

( 可以考虑开发的，比较有用 )

http://book.csdn.net/bookfiles/312/10031212848.shtml

 

l          Heritrix 笔记

http://wiki.hoodong.com/wiki/jRwNBCFgWA1dYB0NC

 

l          Heritrix crawler vs Nutch crawler

http://www.dbanotes.net/web/heritrix_crawler_vs_nutch_crawler.html

 

l          天下维客 - 爬虫程序

http://www.allwiki.com/wiki/Heritrix#Heritrix.E7.9A.84.E5.B1.80.E9.99.90

 

英文：

l          Heritrix 主页

http://crawler.archive.org/

 

l          HTMLParser 主页

http://htmlparser.sourceforge.net/

 

 

Heritrix 绑定主机 IP

关键字： Heritrix 127.0.0.1 IP 主机

 

Heritrix 默认绑定的 IP 是 127.0.0.1 。

在 org.archive.crawler.Heritrix 中

 

… final private static Collection<String> LOCALHOST_ONLY =      Collections.unmodifiableList(Arrays.asList(new String[] { "127.0.0.1" })); … private static Collection<String> guiHosts = LOCALHOST_ONLY;   protected static String doCmdLineArgs(final String [] args) throws Exception { …     // Now look at options passed.         for (int i = 0; i < options.length; i++) {             switch(options[i].getId()) {                 …                 case 'b':                     Heritrix.guiHosts = parseHosts(options[i].getValue());                     break;                 …                 default:                     assert false: options[i].getId();             }         } … }

 

首先定义了默认 IP ： 127.0.0.1 ，然后赋给 guiHost 主机变量。当指定 -b 或 --bind 参数时，才会把指定的 IP 赋给主机变量。

另外，中间还有一步参数处理，对于 --xxxx 参数会转为 -x 的形式统一处理，所以 --bind 和 -b 有一样的效果。

 

Heritrix 启动参数

关键字： Heritrix 启动 参数 bind admin properties

 

Heritrix 的启动参数，除了 --bind 外，都可以在 heritrix.properties 设置，而不用每次都在命令行中输入。

如常用的 --port, --admin 等。

 

heritrix.cmdline.admin = admin:admin heritrix.cmdline.port = 8080 heritrix.cmdline.run = false heritrix.cmdline.nowui = false heritrix.cmdline.order = heritrix.cmdline.jmxserver = false heritrix.cmdline.jmxserver.port = 8081

 

关于 Heritrix 的 Extractor 中文乱码

关键字： Heritrix 中文 乱码 GB2312 Extractor

 

继承从 org.archive.crawler.extractor.Extractor 的子类，在extract 方法中可以从参数CrawlURI 中取出要解析的内容。

 

curi.getHttpRecorder().getReplayCharSequence.toString()

 

有中文时，不做处理会输出乱码。可以在取到的HttpRecorder 后设置编码：

 

HttpRecorder hr = curi.getHttpRecorder(); if ( hr == null ) {     throw new IOException( "Why is recorder null here?" ); } hr.setCharacterEncoding( "gb2312" ); cs = hr.getReplayCharSequence(); System.out.println( cs.toString() );