heritrix学习总结

1 下载 和 解压
从http://crawler.archive.org/下载解压到本地 E:\heritrix-1.14.3

2 配置环境变量
HERITRIX_HOME=E:\heritrix-1.14.3
path后追加 ;%HERITRIX_HOME%\bin

3 配置 heritrix

  拷贝E:\heritrix-1.14.3\conf\jmxremote.password.template到E:\heritrix-1.14.3下
并从命名为jmxremote.password

  修改E:\heritrix-1.14.3\conf下的heritrix.properties 文件
  用UrltraEditor或其他的文本编辑工具打开，找到 heritrix.cmdline.admin =
  admin是空的 这是登陆heritrix UI的用户名和密码 格式为 username:password
  heritrix.cmdline.admin = admin:admin
 
  heritrix.cmdline.port = 8080 配置端口 为了不和tomcat的8080端口冲突我改为8888

  用winrar 打开E:\heritrix-1.14.3下的heritrix-1.14.jar文件，将其目录中的profiles文件夹拷到

E:\heritrix-1.14.3\conf目录下即完成heritrix的配置

（用些网友说要将jmxremote.password文件的属性改为只读，我不知道为什么？，官方文档里也没说）

4 启动heritrix
  开始 -》运行 -》cmd 打开cmd端口
  输入heritrix --admin=admin:admin
  --admin heritrix的启动参数 必须的*
 
  弹出一个Heritrix窗口   打印。。。。。。。。。。。。。Heritrix version: 1.14.3

  cmd窗口打印出
  2009-04-15 星期三 10:42:03.04 Starting heritrix
  Heritrix 1.14.3 is running.
  Web console is at: http://127.0.0.1:8888
  Web console login and password: admin/admin
表示启动完成

5 抓取任务

  用浏览器打开http://127.0.0.1:8888 输入用户名和密码 
  选Jobs选项， 在Create New Job 下选择 With defaults 子项

  Create new crawl job based on default profile
 
  Name of new job 和Description 随便写
  Seeds 填写要抓取的网站 http://www.verycd.com/  （必须以/结尾）

单击Modules 按钮 

Select Modules and Add/Remove/Order Processors

从上而下，可以看到，需要配置的内容共有7项

1.CrawlScope
   CrawlScope用于配置当前应该在什么范围内抓取网页链接。比如，如果选择BroadScope，则表示当前 

抓 取的范围不受限制，但如果选择了HostScope，则表示抓取的范围在当前的Host内。

选择 org.archive.crawler.scope.BroadScope 单击change按钮即可

2.URI Frontier
   URI Frontier是一个URL的处理器，它将决定下一个被处理的URL是什么。同时，它还会将经由处理器 

链所解析出来的URL加入到等待处理的队列中去。在例子中，使用BdbFrontier类来做为处理器，全权  

掌管URL的分配

   选择 org.archive.crawler.frontier.BdbFrontier 单击change按钮即可

3.Pre Processors
   这个队列中，所有的处理器都是用来对抓取时的一些先决条件做判断的。比如判断robot.txt的信息等

，它是整个处理器链的入口

选择org.archive.crawler.prefetch.Preselector 和

org.archive.crawler.prefetch.PreconditionEnforcer 两项 （在下拉列表中选择好，点击Add添加即可

）

4.Fetcher：从名称上看，它用于解析网络传输协议，比如解析DNS、HTTP或FTP等
 
  选择org.archive.crawler.fetcher.FetchDNS
org.archive.crawler.fetcher.FetchHTTP 两个单击Add添加


5.Extractors
  它主要用是于解析当前获取到的服务器返回内容，这些内容通常是以字符串形式缓存的。在这个队列中

，包括了一系列的工具，如解析HTML、CSS等。在解析完毕，取出页面中的URL后，将它们放入队列中，等

待下次继续抓取

org.archive.crawler.extractor.ExtractorHTTP  
org.archive.crawler.extractor.ExtractorHTML
org.archive.crawler.extractor.ExtractorCSS
org.archive.crawler.extractor.ExtractorJS
org.archive.crawler.extractor.ExtractorSWF

6.Writers
Writers主要是用于将所抓取到的信息写入磁盘。通常写入磁盘时有两种形式，一种是采用压缩的方式写

入，在这里被称为Arc方式，另一种则采用镜象方式写入。当然处理起来，镜象方式要更为容易一些。
默认的是Arc方式 点击旁边的Remove 删除 在下拉框中选择

org.archive.crawler.writer.MirrorWriterProcessor 单击Add添加

7 Post Processors
  在整个抓取解析过程结束后，进行一些扫尾的工作，比如将前面Extractor解析出来的URL有条件的加入

到待处理队列中去

org.archive.crawler.postprocessor.CrawlStateUpdater
org.archive.crawler.postprocessor.LinksScoper
org.archive.crawler.postprocessor.FrontierScheduler 单击Add添加

【在设置时，可以看见在队列的右侧总是有“Up”、“Down”和“Remove”这样的操作是因为在处理器链

的设置过程中，每一个队列中的处理器都是要分先后顺序的】

  设置运行时的参数
 
  在设置完处理链后，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。这里只要更改 “HTTP-Header”项中的内容，更改其属性值user-agent和 from
其中user-agent中的 PROJECT_URL_HERE 对应自己的完整URL地址，（http://192.168.16.128）
from中设置自己的合法email地址 只需是格式正确的邮件地址就可以
＠VERSION＠是设置heritrix的版本 填上1.14.3
user-agent Mozilla/5.0 (compatible; heritrix/1.14.3 +http://192.168.16.128)

设置完成后单击“Submit job”链接 会回到Job是页面

显示了“Job created”，这表示刚才所设置的抓取任务已经被成功的建立。同时，在下面的“Pending

Jobs”一栏，可以清楚的看到刚刚被创建的Job，它的状态目前为“Pending”。

最后启动这个任务。回到“Console”界面上，可以看到刚刚创建的任务已经显示了出来，等待我们开始

它。
单击面版中的“Start”链接，就会将此时处于“Pending”状态的抓取任务激活，令其开始抓取
此时，面版中出现了一条抓取状态栏，它清楚的显示了当前已经被抓取的链接数量


抓取完毕后在E:\heritrix-1.14.3\目录下生成以个jobs目录
进入jobs 可以看到 verycd-20090415024225919 其中verycd就是job的名称
进去  里面有一个mirror目录 是因为在前面设置了Writer的类型为MirrorWriter
里面每一个站点的URL地址即为保存的目录名称


至此 heritrix抓取任务就到此结束...

附上用lucene做的简易网页搜索

请问你后面附的图 就是用heritrix爬下来 然后用lucene做的索引吗？不过用heritrix爬下来的jobs文件夹下 只有很少的.html文件 而你的好像有180多项 这是怎么回事呢？还有就是mirror文件夹下的子文件夹的名字都是url地址？ 其实我想要的就是这些这些地址所对应的那个页面的内容，不知道我的表述清不清楚，如果能看明白，希望指点一下