`
liuxinglanyue
  • 浏览: 561456 次
  • 性别: Icon_minigender_1
  • 来自: 杭州
社区版块
存档分类
最新评论

Heritrix源码分析(十一) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性

阅读更多

 

http://guoyunsky.iteye.com/blog/649889  

 

     Url是爬虫的核心,因为爬虫就是依赖URL一层一层的抓取下去,最后完成整个抓取。Heritrix中的URL比较特殊,有以下继承关系(由于不对继承关系作介绍,所以这里就不画图了):

          1)org.archive.crawler.datamodel.CrawlURI——>CandidateURI

          2)org.archive.net.UURI——>org.archive.net.LaxURI

                                                          ——>org.apache.commons.httpclient.URI——>java.net.URL

          前面说过CrawlURI和CandidateURI的区别在于CrawlURI是由通过了调度器(Frontier)的CandidateURI转换而来的。下面就先介绍CnadidateURI(主要介绍相关属性):

 

public static final int HIGH = 1;	               //调度器调度等级:高
public static final int HIGHEST = 0;          //调度器调度等级:最高
public static final int MEDIUM = 2;	//调度器调度等级:中
public static final int NORMAL = 3;	//调度器调度等级:普通
//URL字符串
private String cachedCandidateURIString = null;

//队列Key,不同队列有不同的classKey.其中相同classKey的CandidateURI则属于相同的队列
private String classKey; 

//是否强制访问,强制访问的话会重复抓取
private boolean forceRevisit = false;
// 是不是种子
private boolean isSeed = false; 
/**
 * 灵活的属性列表,Heritrix在运行过程中需要保存不固定的属性和属性值,
  *同时扩展Heritrix属性 也可以放在里面。不过需要特殊处理,等下单独介绍
 */
private transient AList alist;

/**
  * 该值代表当前CandidateURI是如何从种子那里生成的,有如下生成方式:
  * P:预先处理URL,一般是DNS,如DNS:www.baidu.com
   * R:重定向URL
   * E:嵌入式URL,如Frame、src等
  * X:特殊嵌入式URL,如JS中的URL
   * L:一般意义上的URL,如<a href="www.baidu.com">
   * 该属性除了可以记录从种子那来源方式的话同时还可以记录深度,因为
  * 该值是一层一层传递,每传递一层则增加一个以上字符.如此通过长度
  * 可以判断当前URL属于种子的第几层从而做到控制抓取深度, 如果当
  * 前CandidateURI是种子,则该值为null
   */
 private String pathFromSeed;

private int schedulingDirective = NORMAL; // 调度等级,默认为普通
private transient UURI uuri;	      //URL			
private transient UURI via;	      //来源URL
private CharSequence viaContext;//来源URL内容
 

 

下面再介绍一下CrawlURI相关属性,前面说过CrawlURI和CandidateURI最大区别就是CrawlURI通过了调度器,这也就意味着CrawlURI会进入队列抓取,如此CrawlURI就会相比CandidateURI对很多属性来记录抓取情况,如处理器,下面请看代码以及注释:

 

//数组用户保存alist成员的key,使得URI处理期间可以持久化访问.这个list中的所有的key在传递下去的处理链 后面都不会被清理掉
private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>(
		new String[] { A_CREDENTIAL_AVATARS_KEY });
// 一个CrawlURI所允许的最大外链接数(就是该CrawlURI本身网页里所包含的链接数),默认为6000
public static final int MAX_OUTLINKS = Integer.parseInt(System.getProperty(
		CrawlURI.class.getName() + ".maxOutLinks", "6000"));
// 放弃的外链接个数(当一个URL抽取出来的链接数超过MAX_OUTLINKS时就放弃,然后本变量累加)
transient private int discardedOutlinks = 0;

public static final int UNCALCULATED = -1; //网页内容长度,默认值	
private String cachedCrawlURIString = null; //缓存的URL	
private byte[] contentDigest = null; //网页内容指纹,对内容进行MD5值,该对象可以用于对比该URL是否有更新
private String contentDigestScheme = null; // 记录网页内容所采用算法,从配置文件里配置	
private long contentLength = UNCALCULATED; //相应内容长度	
private long contentSize = UNCALCULATED; //网页内容大小	
private String contentType = null; //网页内容类型	
private int deferrals = 0; 		//从先决条件URL延迟数

private int fetchAttempts = 0;	// 获取URL的个数
private int fetchStatus = 0;    //获取URL内容状态,默认为0,表示没有尝试过	
transient Object holder;  		// 所属的队列(WorkQueue)
int holderCost = UNCALCULATED; 	//成本
transient Object holderKey;  	//所属队列的classkey
private transient HttpRecorder httpRecorder = null;	//记录网页内容	
transient private boolean linkExtractorFinished = false; //抽取是否成功,如果成功则该URL不会再被抽取
transient private Processor nextProcessor; // 下一个处理器
transient private ProcessorChain nextProcessorChain;// 下一条处理链	
protected long ordinal; //Crawl自增数目,用于广度优先抓取
transient Collection<Object> outLinks = new HashSet<Object>();	 //该URL抽取到的所有的连接
private boolean post = false; // 提交url是否post,对应HttpClient的HttpPost
private boolean prerequisite = false; //是否有优先URL要处理,一般是DNS
transient private int threadNumber;	//线程个数
private String userAgent = null;	//用户代理,表名当前身份
@Deprecated
private int embedHopCount = UNCALCULATED; 
@Deprecated
private int linkHopCount = UNCALCULATED; // 跃点数,表示来自种子的第几层,该值可以控制抓取深度
 

 

    同时很多人在使用Heritrix的时候需要增加自己的属性,我之前也有这样的需求。不过那时是直接修改源代码增加几个属性,然后在抽取的时候将新的属性赋给抽取出来的URL即可。后来才发现完全没有这个必要,Heritrix已经提供了这样一个功能,可以自定义放入各种属性和属性值。同时Heritrix自己在运行过程中也是如此,把一些会动态变化的属性放入其中,如HttpStatus Code。下面就介绍下其相关原理以及如何使用这个功能:

     1)原理:

               CandidateURI里面有一个属性private transient AList alist;该属性实际上是一个HashTable,其中Key为属性,Value为属性值。如此一致贯穿整个抓取,可以随时动态读写。但由于该属性是transient,也就意味着HashTable里面的值不会被持久化,所以Heritrix在CrawlURI里面引入一个个变量来记录HashTable中需要持久化的Key,也就是我们所要持久化的属性了:private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>( new String[] { A_CREDENTIAL_AVATARS_KEY });该属性类型为CopyOnWriteArrayList,也就是专门用于复制写的List,里面存放需要持久化的Key。所以当你需要某个HashTable中的某个Key持久化的时候,只需要在该变量里添加即可。

      2)使用方法:

             1.存放属性和属性值,变量可以按多种类型存放:                

 

 

//放入类型为Int的值
public void putInt(String key, int value) {
	getAList().putInt(key, value);
}
//放入类型为Long的属性值
public void putLong(String key, long value) {
	getAList().putLong(key, value);
}
//放入类型为Object的属性值
public void putObject(String key, Object value) {
	getAList().putObject(key, value);
}
//放入类型为String的属性值
public void putString(String key, String value) {
	getAList().putString(key, value);
}
 

 

    2.获得属性和属性值:

 

//获得属性的值,该值为Int类型
public int getInt(String key) {
	return getAList().getInt(key);
}
//获得属性的值,该值为Long类型
public long getLong(String key) {
	return getAList().getLong(key);
}
//获得属性的值,该值为Object类型
public Object getObject(String key) {
	return getAList().getObject(key);
}
//获得属性的值,该值为String类型
public String getString(String key) {
	return getAList().getString(key);
}

   3.查看是否包含某个属性:

//查看是否包含某个属性
public boolean containsKey(String key) {
	return getAList().containsKey(key);
}

   4.获得所有的属性:

//返回所有的属性值
public Iterator keys() {
	return getAList().getKeys();
}
 

  5.让某个属性持久化:

public void makeHeritable(String key) {
	@SuppressWarnings("unchecked")
	List<String> heritableKeys = (List<String>) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		heritableKeys = new ArrayList<String>();
		heritableKeys.add(A_HERITABLE_KEYS);
		putObject(A_HERITABLE_KEYS, heritableKeys);
	}
	heritableKeys.add(key);
}

 6.让某个属性不持久化:

public void makeNonHeritable(String key) {
	List heritableKeys = (List) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		return;
	}
	heritableKeys.remove(key);
	if (heritableKeys.size() == 1) {
		// only remaining heritable key is itself; disable completely
		remove(A_HERITABLE_KEYS);
	}
}
     以上6个介绍完全可以让你扩展自己的属性以及让他们持久化。

 

 

 

分享到:
评论

相关推荐

    heritrix的学习-源码分析 1-10

    ### Heritrix源码分析知识点概述 #### 一、Heritrix简介 Heritrix是一款开源的网络爬虫工具,由Internet Archive开发并维护。它主要用于网页归档和大规模网络爬取任务。Heritrix的设计理念是高度可配置性和扩展性,...

    heritrix源码

    9. **学习资源**:压缩包中的“Heritrix学习源码和资料”可能包含官方文档、教程、示例代码以及社区讨论等内容,这些资料可以帮助初学者快速上手并深入理解Heritrix的内部机制。 10. **实战应用**:Heritrix不仅...

    heritrix-3.4.0-SNAPSHOT-src.zip

    Heritrix 是一个由 java 开发的、开源的网络爬虫,用户可以使用它来从网上抓取想要的资源。官网下载好像要翻墙,我下下来方便大家使用,这是3.4版本,配合heritrix-3.4.0-SNAPSHOT-dist.zip使用

    Heritrix源码分析

    6. `org.archive.crawler.datamodel`:包含Heritrix的数据模型,如`CandidateURI`表示待抓取的URL,`credential`子包则管理登录凭证,以处理需要身份验证的站点。 7. `org.archive.crawler.deciderules`:决策规则...

    Heritrix 源码和Jar

    在"Heritrix 源码和Jar"这个主题中,我们可以深入探讨以下几个知识点: 1. **Heritrix的架构**: Heritrix采用模块化设计,由多个组件构成,包括URL队列管理器、下载器、解析器、存储模块等。用户可以根据需要定制...

    heritrix-1.14.4.zip 和 heritrix-1.14.4-src.zip

    在Eclipse中,用户可以利用Java的强类型系统和丰富的库来增强Heritrix的功能,或者根据项目需求调整其核心算法。 Heritrix的设计基于模块化和可扩展性,它的主要组件包括爬取管道(Crawler Pipelines)、策略...

    Lucene+Heritrix 源码

    **Lucene 和 Heritrix 源码分析** 在IT领域,搜索引擎的开发是一项复杂而重要的任务,它涉及到大量的文本处理、索引构建以及高效的查询算法。Lucene 和 Heritrix 是两个开源工具,分别专注于搜索的核心算法和网页...

    heritrix-1.14.4-src

    在实际应用中,Heritrix常常被用于学术研究、数据分析、搜索引擎索引构建等领域。它的灵活性和可扩展性使其成为开发者和数据科学家的理想选择,特别是对于需要大规模、自定义爬取任务的场景。 总的来说,Heritrix-...

    Heritrix1.14.4(含源码包)

    Heritrix是一款开源的互联网档案爬虫工具,由...在深入了解和实践Heritrix 1.14.4的过程中,你不仅会掌握网络爬虫的基本原理和技术,还能提升Java编程和项目管理能力,为更高级的Web数据挖掘和分析打下坚实的基础。

    网络爬虫Heritrix1.14.4可直接用

    Heritrix是一款强大的开源网络爬虫工具,由互联网档案馆(Internet Archive)开发,主要用于抓取和保存网页内容。Heritrix 1.14.4是该软件的一个较早版本,但依然具有广泛的适用性,尤其对于学习和研究网络爬虫技术...

    heritrix3.2源码

    Heritrix 3.2 源码的分析和理解有助于开发者深入掌握爬虫技术,定制自己的爬虫解决方案。 首先,让我们了解一下Heritrix 3.2 的核心特性: 1. **模块化设计**:Heritrix 3.2 采用组件化的架构,使得不同的爬取功能...

    heritrix-1.14.4爬虫框架及源码

    Heritrix支持多种策略和模块,如深度优先和广度优先的爬行策略,以及基于正则表达式或DOM结构的URL过滤器。此外,它还提供了丰富的接口,允许开发者编写自定义的模块,如新的爬行策略、内容处理器或存储适配器。这...

    heritrix-3.1.0 最新jar包

    源码中包含了完整的项目结构,如`src/main/java`存放Java源代码,`src/main/resources`存储资源配置,以及`pom.xml`,这是Maven的项目对象模型,用于构建和管理项目依赖。 Heritrix 的核心功能和知识点: - **模块...

    heritrix1.14.4源码包

    heritrix1.14.4的源码包,包含heritrix1.14.4.zip和heritrix1.14.4-src.zip。heritrix是一种开源的网络爬虫,用于爬去互联网中的网页。如何配置和使用heritrix爬虫,请移步:...

    heritrix系统使用.ppt

    用户需要下载Heritrix源码,然后按照提供的指南进行编译和安装。配置主要包括设定爬取范围,这可以通过修改`Modules`、`Submodules`和`Settings`来完成。例如,你可以使用正则表达式来限定抓取的URL模式,确保只抓取...

    heritrix 中文API (自己整理) 网络爬虫

    Heritrix的这些链结构使得开发者可以根据需要定制复杂的爬虫策略,通过调整和扩展各个链中的处理器,实现对网络内容的精确抓取和处理。无论是处理DNS解析、HTTP请求,还是从各种格式的文档中提取链接,Heritrix的...

    heritrix1.14.4源码+项目

    这个“Heritrix1.14.4源码+项目”压缩包包含的是Heritrix 1.14.4版本的源代码和相关项目文件,对于学习和理解Web爬虫的工作原理,以及进行自定义开发是非常有价值的。 Heritrix的核心功能是通过模拟浏览器行为来...

    heritrix-3.4.0-SNAPSHOT-dist.zip

    同时,Heritrix可以与其他工具(如Solr或Elasticsearch)集成,为数据建立索引,便于后续分析和检索。 6. **扩展性**:Heritrix拥有丰富的插件体系,允许开发者添加自定义组件,以满足特定的抓取需求。 在使用...

    开发自己的搜索引擎lucene+heritrix(第2版)(ch13-ch15源码)

    综上所述,"开发自己的搜索引擎lucene+heritrix(第2版)"的源码涵盖了从网络数据抓取到全文检索的全过程,适合开发者深入学习和实践搜索引擎技术。通过研究ch13至ch16的源代码,可以更深入地理解这两个工具的交互和...

Global site tag (gtag.js) - Google Analytics