eclipse中配置heritrix的图文过程----heritrix-1.14.3

关于搜索引擎书籍中国目前比较少，有过这方面了解的朋友一般都看过2007年人民邮电出版 lucene 2.0+heritrix 这本书吧。本人感觉还不错，理论知识较少点，具体步骤还比较详细。适合初学者。

      简单介绍下heritrix： heritrix 是Java编写的开源爬虫。 扩展性比较好，但是配置适合的采集规则，比较复杂难理解。适合学习和研究。

      此书中的heritrix在eclipse中的配置写的不够详细，我把自己成功的配置贡献给大家。

<1>首先要去官网下载最新版本的heritrix。下载地址为：

http://sourceforge.net/project/showfiles.php?group_id=73833&package_id=73980

选择文件注意为zip后缀格式的，gz格式为linux下文件。

选择这两个文件heritrix-1.14.3-src.zip   heritrix-1.14.3.zip 下载。

<2>

       把下载好的文件解压。

<3>

       配置过程：

1、新建Java Project工程

在Eclipse中新建一个Java Project工程(注意：一定是Java Project的工程，不是Web Project工程)，工程名称为Heritrixproject。（名字可随便起）

以我的为例，对应地，工程Heritrixproject在本地磁盘目录D:\eclipse-SDK-3.2.1-win32\workspace下面。

可以在目录D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject下面看到：两个工程属性文件.classpath和.project、两个文件目录bin和src。

删除掉两个文件目录bin和src。

2、向新建的Java Project添加Heritrix-1.14.3文件

(1) 将目录E:\Heritrix\heritrix-1.14.3-src\heritrix-1.14.3\src\java\下面的三个目录：org、com、st一起拷贝到新建工程Heritrixproject目录下面(绝对路径为D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject)。

(2) 将目录E:\Heritrix\heritrix-1.14.3-src\heritrix-1.14.3\src\conf\下面的：三个目录(包括：modules、profiles、selftest)，以及四个文件(包括：heritrix.properties、jmxremote.password.template、heritrix.cacerts、jndi.properties)一起拷贝到新建的工程Heritrixproject目录下面。

(3) 将目录E:\Heritrix\heritrix-1.14.3-src\heritrix-1.14.3\src\resources\下面的三个文件(包括：arcMetaheaderBody.xsl、README.txt，其中README.txt没有用处是显而易见的)拷贝到新建的工程Heritrixproject目录下。

(4) 将目录E:\Heritrix\heritrix-1.14.3\heritrix-1.14.3\下面的webapps目录拷贝到新建工程Heritrixproject目录下面(绝对路径为D:\eclipse-SDK-3.2.1-win32\workspace\Heritrix-1.14.3)，这里，webapps目录下面有两个WAR包(即admin.war和selftest.war)。

(5)将E:\Heritrix\heritrix-1.14.3\heritrix-1.14.3\下的lib文件夹拷贝到工程下。

3、修改新建的Java Project工程的配置文件

(1) 打开目录D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject下面的.classpath文件，可以看到共有下面6行：

<?xml version="1.0" encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path="src"/>
<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="output" path="bin"/>
</classpath>

可以看到，新建Java Project工程之后，src是资源目录，所以在Eclipse开发平台上，在src下面新建的资源目录呈包结构组织。kind属性指定工程中显示的资源目录，path指定了在该path(Eclipse默认为src)下的资源目录都呈包结构组织。

将上面的内容做很大的修改，修改内容如下所示：(注意：这个地方里面的lib下的jar就是拷贝到工程下lib里面的jar。如果你用的最新版本的可能与这个jar文件不一样，这个你就要做相应的修。此时的最新版本为heritrix-1.14.3)

<?xml version="1.0" encoding="UTF-8"?>

<classpath>

<classpathentry kind="src" path=""/>

<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>

<classpathentry kind="lib" path="lib/ant-1.6.2.jar"/>

<classpathentry kind="lib" path="lib/bsh-2.0b4.jar"/>

<classpathentry kind="lib" path="lib/commons-cli-1.0.jar"/>

<classpathentry kind="lib" path="lib/commons-codec-1.3.jar"/>

<classpathentry kind="lib" path="lib/commons-collections-3.1.jar"/>

<classpathentry kind="lib" path="lib/commons-httpclient-3.1.jar"/>

<classpathentry kind="lib" path="lib/commons-io-1.3.1.jar"/>

<classpathentry kind="lib" path="lib/commons-lang-2.3.jar"/>

<classpathentry kind="lib" path="lib/commons-logging-1.0.4.jar"/>

<classpathentry kind="lib" path="lib/commons-net-1.4.1.jar"/>

<classpathentry kind="lib" path="lib/commons-pool-1.3.jar"/>

<classpathentry kind="lib" path="lib/dnsjava-2.0.3.jar"/>

<classpathentry kind="lib" path="lib/fastutil-5.0.3-heritrix-subset-1.0.jar"/>

<classpathentry kind="lib" path="lib/itext-1.2.0.jar"/>

<classpathentry kind="lib" path="lib/jasper-compiler-tomcat-4.1.30.jar"/>

<classpathentry kind="lib" path="lib/jasper-runtime-tomcat-4.1.30.jar"/>

<classpathentry kind="lib" path="lib/javaswf-CVS-SNAPSHOT-1.jar"/>

<classpathentry kind="lib" path="lib/je-3.3.75.jar"/>

<classpathentry kind="lib" path="lib/jetty-4.2.23.jar"/>

<classpathentry kind="lib" path="lib/jets3t-0.5.0.jar"/>

<classpathentry kind="lib" path="lib/junit-3.8.2.jar"/>

<classpathentry kind="lib" path="lib/jericho-html-2.6.jar"/>

<classpathentry kind="lib" path="lib/libidn-0.5.9.jar"/>

<classpathentry kind="lib" path="lib/mg4j-1.0.1.jar"/>

<classpathentry kind="lib" path="lib/poi-2.0-RC1-20031102.jar"/>

<classpathentry kind="lib" path="lib/poi-scratchpad-2.0-RC1-20031102.jar"/>

<classpathentry kind="lib" path="lib/servlet-tomcat-4.1.30.jar"/>

<classpathentry kind="output" path=""/>

</classpath>

其中：

上面的<classpathentry kind="src" path=""/>中，指定src为""，这表示，只要在该工程的根目录下面建的目录资源都呈现表结构组织；

上面的kind为lib，对应的就是我们拷贝到工程目录下面的lib，path的值就是该lib目录下面的所有的jar文件。

4.配置外部jar包，

      切换到eclipse窗口下，刷新下工程。

右键单击工程，选择【Build Path】—> 【Add External Archives】在弹出的窗口中选择添加目录heritrix-1.12.1-src\heritrix-1.12.1\lib。

再次刷新下工程。没有错误提示了。

5、修改heritrix.properties属性文件

打开heritrix.properties属性文件，可以看到默认情况下，Heritrix-1.14.3的属性文件如下所示：

##############################################################################
# H E R I T R I X P R O P E R T I E S
##############################################################################

# Properties with 'heritrix.' or 'org.archive.crawler.' prefix get loaded
# into System.properties on startup so available via System.getProperties.

# Version is filled in by the maven.xml pregoal. It copies here the project
# currentVersion property.
heritrix.version = @VERSION@

# Location of the heritrix jobs directory.
heritrix.jobsdir = jobs

# Default commandline startup values.
# Below values are used if unspecified on the command line.
heritrix.cmdline.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

上面四行红色标识的代码行，一般来说，需要修改。

第一行，heritrix.version指定了Heritrix的版本号，因为我们测试的是版本号为1.14.3，修改为：

heritrix.version = 1.14.3

第二行，heritrix.jobsdir指定了Heritrix在执行抓取任务时，抓取到的内容存放的目录，默认在工程下面的jobs目录下面。

第三行，heritrix.cmdline.admin指定了登录WebUI时使用的帐号，默认为空，可以自己随意设定，设定需要按照一定的格式(用户名:密码)，我们修改为：

heritrix.cmdline.admin = admin：admin

其中，用户名和密码使用“:”分隔。

第四行，heritrix.cmdline.port指定了运行Heritrix后台程序，监听的WebUI使用的端口号，默认为8080端口，可以设置一个当前没有占用的端口号，比如我们修改为：

heritrix.cmdline.port = 9090

、启动Heritrix后台程序

回到Eclipse平台窗口，找到新建的Java Project工程Heritrixproject中，资源包org.archive.crawler下面的Java类文件Heritrix.java，右键单击Heritrix.java文件，选择【Run As】—> 【Java Application】选项，便看见Heritrix后台已经启动了，在Eclipse控制台【Console】中可以看到启动过程的详细信息，如下所示：

7、登录WebUI

现在，可以成功登录WebUI，设置抓取任务了。

在浏览器地址栏中键入地址链接 http://localhost:9090，可以看到WebUI登录界面.

至此heritrix的配置就完成了，以后就要开始抓起信息，后面我还会把heritrix的抓取配置分享给大家。

 

评论

1 楼 neolimeng 2009-10-10  

补充几点配置经验：

进入网页运行时有几个重要的job setting，是我这两天的体验
【http-headers】:user-agent 为浏览器名/版本+...+heritrix版本+....+本机ip（估计可以算便填一个）

【e-mail】: 随便填一个

【frontier】:retry-delay-seconds与max-retries两项数值改小，以免碰上坏链接会卡死
          Modules中的Writers改成MirrorWriterProcessor，这样网页以镜像方式存储