Heritrix源码分析(一) 包介绍(转)
本博客属原创文章,欢迎转载!但转载请务必注明出处:http://guoyunsky.iteye.com/blog/613249
本博客已迁移到本人独立博客: http://www.yun5u.com/
欢迎加入Heritrix群(QQ):109148319,10447185(已满) , Lucene/Solr群(QQ) : 118972724
之前说过要分享下我的爬虫经验,但一直找不到突破口,现在才感觉写点东西真的很难,所以大家真的要感谢那些无私的前辈们,在网上留下的一篇篇可以指点迷津的文章。
想了很久,还是先从Heritrix的包开始说起,然后再说类,最后讲下如何加工Heritrix,也就是将其打造成自己想要的爬虫,这里补充下,我用的版本是1.14.3.
同时欢迎加入我建的Heritrix爬虫群一起讨论学习: 10447185
序号 | 包名 | 说明 |
1 | org.apache.commons.httpclient | 封装了apache的httpclient用于Fetch网页内容 |
2 | org.apache.commons.httpclient.cookie | 封装了apache的httpclient用于Fetch网页内容,这里主要处理Cookie |
3 | org.apache.commons.pool.impl | 封装了apache的httpclient用于Fetch网页内容,还待研究 |
4 | org.archive.crawler | Heritrix程序运行的入口包,如Heritrix运行可以直接抓取 |
5 | org.archive.crawler.admin | Heritrix的管理包,比如CrawlJob表示一个抓取任务job,CrawlJobHandler管理JOB,以及日志统计等 |
6 | org.archive.crawler.admin.ui | 服务于UI管理界面,如Job参数的设置 |
7 | org.archive.crawler.datamodel | Heritrix的数据模型包,如在Heritrix中代表一个URL的CandidateURI |
8 | org.archive.crawler.datamodel.credential | 管理Heritrix数据模型中的凭证,如抓取某些网站需要用户名和密码 |
9 | org.archive.crawler.deciderules | Heritrix的规则包,如决定哪些URL可以抓取可以调度 |
10 | org.archive.crawler.deciderules.recrawl | 还待研究,应该是决定哪些URL需要重新抓取 |
11 | org.archive.crawler.event | 事件管理,如Heritrix的暂停、重启、停止等 |
12 | org.archive.crawler.extractor | Heritrix的造血器,通过它抽取新的URL再次进行抓取 |
13 | org.archive.crawler.fetcher | Heritrix的获取包,如获取HTTP、DNS、FTP数据 |
14 | org.archive.crawler.filter | Heritrix的过滤器,如配合Rule过滤一些不要的URL |
15 | org.archive.crawler.framework | Heritrix的框架包,存放一些核心类,一般是父类,如Heritrix控制类CrawlController;调度器类Frontier |
16 | org.archive.crawler.framework.exceptions | Heritrix框架异常包,通常这里的异常抛出会导致Heritrix的停止 |
17 | org.archive.crawler.frontier | Heritrix的调度器,决定抓取哪个URL |
18 | org.archive.crawler.io | Heritrix的IO格式包,感觉取名不合理,这里只是定义一些格式,如统计数据的格式,错误日志的格式 |
19 | org.archive.crawler.postprocessor | 辅助处理器包,感觉取名也不合理,这里只是对处理URL前后进行一些处理,如URL重定向 |
20 | org.archive.crawler.prefetch | Heritrix的预处理器包,如确定一个URL是否已经解析了DNS |
21 | org.archive.crawler.processor | 还没接触到,待研究 |
22 | org.archive.crawler.processor.recrawl | 还没接触到,待研究 |
23 | org.archive.crawler.scope | Heritrix抓取范围管理,如种子 |
24 | org.archive.crawler.selftest | 管理Heritrix的Web工程self.war |
25 | org.archive.crawler.settings | 管理Heritrix配置文件order.xml中的各项配置 |
26 | org.archive.crawler.settings.refinements | 管理Heritrix自己对数据格式的标准,如时间格式 |
27 | org.archive.crawler.url | 还没怎么接触到,待研究 |
28 | org.archive.crawler.url.canonicalize | Heritrix的URL规范化,用于规范每一个URL |
29 | org.archive.crawler.util | Heritrix用于抓取的工具包,如BDB操作工具,IO操作工具 |
30 | org.archive.crawler.writer | Heritrix的下载包,用于将抓取的URL内容写入硬盘 |
31 | org.archive.extractor | 还没接触到,待研究 |
32 | org.archive.httpclient | Heritrix为结合httpclient量身打造的包,让自身更好的获取网页内容 |
33 | org.archive.io | Heritrix的IO包,自己封装的一些IO操作类 |
34 | org.archive.io.arc | 针对arc格式的IO操作包 |
35 | org.archive.io.warc | 针对warc格式的IO操作包 |
36 | org.archive.net | Heritrix扩展了java.net的包,主要扩展java.net.URI类 |
37 | org.archive.net.md5 | Heritrix对URL MD5加密包,所用不多,待研究 |
38 | org.archive.net.rsync | 还没接触到,待研究 |
39 | org.archive.net.s3 | 还没接触到,待研究 |
40 | org.archive.queue | 还没接触到,待研究 |
41 | org.archive.uid | Heritrix ID管理,主要针对URI |
42 | org.archive.util | 整个Heritrix的工具类 |
43 | org.archive.util.anvl | 还没接触到,待研究 |
44 | org.archive.util.bdbje | Heritrix对BDB的封装 |
45 | org.archive.util.fingerprint | 还没接触到,待研究 |
46 | org.archive.util.iterator | Heritrix自身封装的迭代器 |
47 | org.archive.util.ms | 还没接触到,待研究 |
48 | st.ata.util | 扩展的其他包,待研究 |
Heritrix自己的包有48个之多,还有它导入的第三方包也有30多个,可见其复杂性...
Heritrix源码分析(一) 包介绍(转)的更多相关文章
- Heritrix源码分析(十四) 如何让Heritrix不间断的抓取(转)
欢迎加入Heritrix群(QQ):109148319,10447185 , Lucene/Solr群(QQ) : 118972724 本博客已迁移到本人独立博客: http://www.yun5u ...
- Heritrix源码分析(九) Heritrix的二次抓取以及如何让Heritrix抓取你不想抓取的URL
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/644396 本博客已迁移到本人独立博客: http://www.yun5u ...
- Heritrix源码分析(十四)
近段时间在搞定Lucene的一些问题,所以Heritrix源码分析暂时告一段落.今天下午在群里有同学提到了Heritrix异常终止的问题以及让Heritrix不停的抓取(就是抓完一遍后载入种子继续抓取 ...
- 精尽Spring Boot源码分析 - Jar 包的启动实现
该系列文章是笔者在学习 Spring Boot 过程中总结下来的,里面涉及到相关源码,可能对读者不太友好,请结合我的源码注释 Spring Boot 源码分析 GitHub 地址 进行阅读 Sprin ...
- Heritrix源码分析(八) Heritrix8个处理器(Processor)介绍(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/643367 本博客已迁移到本人独立博客: http://www.yun5u ...
- Heritrix源码分析(七) Heritrix总体介绍(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/642794 本博客已迁移到本人独立博客: http://www.yun ...
- Heritrix源码分析(二) 配置文件order.xml介绍(转)
本博客属原创文章,欢迎转载!转载请务必注明出处:http://guoyunsky.iteye.com/blog/613412 本博客已迁移到本人独立博客: http://www.yun5u. ...
- Redis网络库源码分析(1)之介绍篇
一.前言 Redis网络库是一个单线程EPOLL模型的网络库,和Memcached使用的libevent相比,它没有那么庞大,代码一共2000多行,因此比较容易分析.其实网上已经有非常多有关这个网络库 ...
- Heritrix源码分析(十五) 各种问题总结(转)
开博客以及建立Heritrix 群有一段时间了(这里谢谢大家的关注),这篇博客将整理这段时间所遇到的问题.同时由于自己从今年5月份开始就不怎么接触Heritrix,很多东西开始遗忘(不过里面思想没忘) ...
随机推荐
- mysql 中的bool值
boolean在MySQL里的类型为tinyint(1) 很奇怪.
- Logstash最佳实践
http://udn.yyuap.com/doc/logstash-best-practice-cn/index.html
- EOF的一点注记
int ch; while( (ch = getchar()) != EOF ) { putchar(ch); } 执行程序,输入:we are the,然后回车.运行结果如下: [purple@lo ...
- LINUX输入输出与文件
1 文件描述符 内核为每个进程维护一个已打开文件的记录表(实现为结构体数组),文件描述符是一个较小的正整数(0-1023)(结构体数组下标),它代表记录表的一项,通过文件描述符和一组基于文件描述符的文 ...
- pku 1703(种类并查集)
题目链接:http://poj.org/problem?id=1703 思路;个人觉得本质上还是和带权并查集一样的,只不过多了一个MOD操作,然后就是向量关系图稍微改动一下就变成种类并查集了,对于本题 ...
- 正则表达式(RegExp)
正则表达式(RegExp) 如何按一定规则快速查找到需要找寻的内容,js的设计者们给我们提供了一个叫正则表达式(RegExp对象),专门用于处理类似问题. RegExp对象表示正则表达式,它是对字符串 ...
- OpenThreadToken,OpenProcessToken DuplicateToken 取得句柄的令牌
https://msdn.microsoft.com/en-us/library/windows/desktop/aa379296(v=vs.85).aspx https://msdn.microso ...
- 自绘CListCtrl类,重载虚函数DrawItem
//自绘CListCtrl类,重载虚函数DrawItem void CNewListCtrl::DrawItem(LPDRAWITEMSTRUCT lpDrawItemStruct) { // TOD ...
- jenkins集成自动化部署插件(一) deploy-plugin
在实际情况中项目构建成功,特别是web项目构建成功是需要将war放到对应的服务上面,进行运行(测试的阶段可能就是发布到测试服务器上面)这样只需要指定构建的触发策略就可以自动构建以及部署,省去不少人工的 ...
- ehcache 缓存技术
一 ehcache API: 1: Using the CacheManager 1.1所有ehcache的使用, 都是从 CacheManager. 开始的.有多种方法创建CacheManager实 ...