Heritrix工具实现网络爬虫

上次用的java相关知识实现了一个简单的网络爬虫，现在存在许多开源免费的爬虫工具，相对来说，可以很简单的获取网页数据，并写入到本地。

下面我就阐述一下我用Heritrix爬虫工具实现网页数据爬取。

------>

目录

1、Heritrix文件配置

2、Heritrix服务器job配置

3、如何创建job并执行

4、有选择的爬取网页

5、总结

----->

　

1‘　　基础文件配置

网上下载heritrix的压缩包，即可配置一个爬虫服务器，其核心使用的是Tomcat。

解压压缩包，将conf目录下的文件拷贝到根目录下。

修改根目录下此文件，将.template去掉。

然后用记事本（我用的UItraEdit工具，方便看配置文件和代码）将文件打开，将@PASSWORD@的内容，更改为你的用户名和密码（自定义）。

将imxremote.password的文件变为只读（属性）。

注意：【！！！如果是win7系统，需要将此文件的所有者改为当前用户，如图。

点击“高级”，

点击“编辑”

此处选择当前的用户，再点击”应用“，即可。

！！！】

2’　　服务器Job配置

执行bin目录下的heritrix.cmd命令，用来启动这个服务器（必须在命令行下执行）。

示例：首先进入该文件的bin目录下，启动命令为：

heritrix.cmd  --admin=user:password

启动如果成功，显示窗口：

启动成功之后，通过浏览器访问当前服务器的8080端口来准备进行数据采集。

即输入   localhost:8080/

进入之后首先输入你刚开始配置时设定的用户名和密码。

然后进入首页：

此窗口可以看到一些选项，有三个选项是比较重要的：

1）    Console：控制台，在这里可以监控当前的任务爬取状态

2）    Jobs：可以在这里建立新的爬取任务

3）    Profiles：配置爬取的属性，例如：爬取的总线程数

首先需要在profiles中自己建立一个自定义的爬取的属性配置。在Profiles选项内选择New Profile based on it

进入界面：

点击Modules，

这里需要设置爬取时的参数类。

例如：爬取的范围，下载后的保存类型，爬取时所要下载的文件类型等。

首先要注意一点，两个change必须要点一下，我当时就是忽略了这个导致job无法提交！！！

之后，你需要在此界面下面设置10个类，按我的图来（规则我就不解释了）：

之后，选择Settings进行一些其他属性的配置，此处要更改一个线程数，（这个看你的电脑配置咯），之后再http-headers里面需要填写你的工具版本，ip地址以及个人邮箱（这个主要是告诉网站管理者哪个帅锅在爬我的网页，当然，劝告一下，国外和国内一些大型的网站不要爬取，很容易被监测到也可能触犯到信息窃取）：

之后，点击Finished会提示Profile modified，表示修改成功。

3’　　建立爬取任务并执行

在Jobs选项里，选择Based on a profile选项，然后选择刚刚配置的那个myprofile，在此处选择你需要爬取的网站，我选择的是新浪新闻的首页：

然后点击submit job，如果两个箭头都显示才表示创建job成功，相反我有一个配置类的没有点击change下面一个箭头就会提示初始化错误！

此时你进入console点击Start就会开始执行任务：

如果你要结束或者暂停任务，点击Terminate。

此时线程在不断爬取数据，你不断的点击Refresh会发现在不断更新数据，然后爬取的文件会在heritrix的根目录jobs里面找到，所有数据存放位置在如下路径的mirror文件夹内：

到此刻，网络爬取结束，如上就是这个工具的使用方法。

 4‘　　如何有选择的爬取网页

测试时会发现，爬取的内容太杂，不一定都是我们想要的，因此我们需要对这个工具的源代码进行一些简单的调整。

首先要将heritrix的jar包备份解压；

然后需要将heritrix-1.12.1.jar文件拷贝到一个项目里，基于这个文件来进行配置。

 package org.liky.utils;

 import org.archive.crawler.datamodel.CandidateURI;
 import org.archive.crawler.postprocessor.FrontierScheduler;

 public class SinaNewsScheduler extends FrontierScheduler {

     public SinaNewsScheduler(String name) {
         super(name);
     }

     @Override
     public void schedule(CandidateURI caUri) {
         // 根据路径，判断该url是否有必要抓取。
         // 这里我们要求路径必须包含， news.sina.com.cn
         if (caUri.toString().contains("news.sina.com.cn")) {
             // 允许爬取
             super.schedule(caUri);
         }
     }
 }

自己编写好这个工具类。

编写好以后，需要将这个类打包到jar包里。（使用class文件）

之后，修改modules下的Processor.options文件。

将以下内容加入到这个文件中。

org.liky.utils.SinaNewsScheduler|SinaNewsScheduler

前半部分是包.类名，后半部分就是类名，中间用 | 分隔。

然后使用jar命令将包打到一起。

将jar包替换掉原有的包（可以把原有的做个备份留下，防止打包有问题无法恢复）。

重新启动heritrix，然后修改Profile的配置。

此时，再次爬取新浪新闻的时候，只会提取链接含有指定字符串的网址，排除很多无关的链接。

总结：

　　相对来说，Heritrix工具来爬取网页数据是相当简单的，无需写代码就可以进行大量的数据收集。

　　但是，与我上一篇博客《java实现网络爬虫》还是有些许不同：

　　　　首先在自由度上，手写的代码可以确认爬取的深度、排除无需爬取的网页、提取有用的数据；

　　　　其次在内容上很繁杂，很多无效的数据也收集了，而且爬取的网页会越来越多（当然，有一种修改配置的方法，写一个java代码限制爬取的网页，然后将该class文件放入heritrix的jar包（上述第四个标题）），关于修改源代码我相信很多新手都会望而止步，而且多写java代码来实现网络爬虫，益处多多；

　　　　最后在下一步数据分析上，可能多一点麻烦，谁会乐意整理一堆繁杂纷乱的数据呢？

　　至此，我还是倾向于java代码实现网络爬虫，而且可以很方便的将数据收集到hadoop中，进行大数据的mapreduce进行分析。

　　这样就相当于一个初步的大数据数据采集了。