初步学习了Heritrix,这个网络小爬虫,以下是对其运行和任务设置的学习总结. 1.关于安装: 2.配置管理帐户: (1) 将 D:/heritrix/heritrix-1.12.1.jar 解压,拷贝profiles/default 下的两个文件order.xml和seeds.txt复制到 /heritrix/conf 目录下, (2) 拷贝 D:/heritrix/conf/jmxremote.password.template 到 D:/heritrix下,并且重命名为"jmxremote.password"。之后编辑该文件内容关于密码的部分: monitorRole @PASSWORD@ ==> monitorRole admin 修改完毕之后,保存该文件。并且需要将该文件的属性改为“只读”。 (3) 打开 /heritrix/conf 下的heritrix.properties文件,在“heritrix.cmdline.admin = ” 项的后面加入你所要设定的管理员账户和密码,用“:”分割,如: 我在此处将管理员账户和密码都设置为admin. 3.运行Heritrix:[1] 将cmd定位到 D:/heritrix/bin,执行 "heritrix --admin=admin:admin" 命令,即可启动 heritrix, ![]()
有一点需要注意,heritrix默认使用8080端口,要保证系统端口没有冲突。之后便可以访问 http://127.0.0.1:8080 或http://localhost:8080 使用 heritrix 提供的WUI,即Web管理端。并且使用"admin/admin"登录。
[2]选Jobs选项,设置抓取页为http://news.sohu.com 具体设置如图: ![]() ![]() [3] 选择Jobs菜单的“Settings”项进入运行参数设置页面 . 进入运行参数设置页面后,有很多可以设定的参数,对于需要了解详情的设置,请点击设置框左边的“?”号,可看到弹出的帮助信息。最简单的可只更改“HTTP-Header”项中的内容,更改其属性值“user-agent”和“from”。修改内容如图2: ![]()
图2中红色框内是修改前后对照。其中“user-agent”中的“PROJECT_URL_HERE”对应自己的完整URL地址,“from”中设置自己的合法email地址,这两项设置其实可随便设置,只要格式规则合法即可。图中的@VERSION@设置为1.12.1,即1.12.1版本的。
[4] 设置完成后,点击如图3所示任务提交菜单项,即完成全部任务的建立工作。 ![]()
设置完成后,点击如图9所示任务提交菜单项,即完成全部任务的建立工作。
图3 任务提交菜单
通过提交设定好的任务,页面返回到Jobs的主菜单,可看到如图4画面: ![]() ![]() ![]()
图5已经激活的任务
点击左下角红色框标出的“Refresh”选项,可以刷新任务状态。图6是刚刚开始的任务状态:![]()
图6 刚刚开始的任务
在图6中,我们可以看到,要暂停当前任务可点击任务状态旁的选项“Pause”。 抓取页面会存放在我的工作目录下的mirror文件夹内,如图7:
![]() 图7抓取后的网站和文件保存结构
其文件和对应的服务目录结构被保存到此目录下面。此处看出,Heritrix更像一个强大的网站下载工具。 至此,Heritrix的简单抓取任务设置描述完毕,呵呵。。。
补充:为了在抓取时不保存其他无关页面,可扩展FrontierScheduler来抓取特定的内容。 打包成新的heritrix-1.12.1.jar 文件,运行cmd执行此操作 方法一:将多个文件打包 D:/heritrix/heritrix-1.12.1>jar cvf heritrix-1.12.1.jar com modules my org profi 方法二:将整个文件目录打包 D:/heritrix/heritrix-1.12.1>jar cvf heritrix-1.12.1.jar heritrix-1.12.1
![]() |
【转】 Heritrix运行和任务设置的学习总结
最新推荐文章于 2014-07-18 10:57:36 发布
Heritrix运行和任务设置的学习总结
2008年01月17日 星期四 17:54