Heritrix是一個(gè)由Java開(kāi)發(fā)的開(kāi)源Web爬蟲(chóng)系統(tǒng)，用來(lái)獲取完整的、精確的站點(diǎn)內(nèi)容的深度復(fù)制，

具有強(qiáng)大的可擴(kuò)展性，運(yùn)行開(kāi)發(fā)者任意選擇或擴(kuò)展各個(gè)組件，實(shí)現(xiàn)特定的抓取邏輯。

一、Heritrix介紹

Heritrix采用了模塊化的設(shè)計(jì)，用戶(hù)可以在運(yùn)行時(shí)選擇要用的模塊。它由核心類(lèi)（core classes）和插件模塊（pluggable modules）構(gòu)成。

核心類(lèi)可以配置，但不能被覆蓋，插件模塊可以由第三方模塊取代。所以我們就可以用實(shí)現(xiàn)了特定抓取邏輯的第三方模塊來(lái)取代默認(rèn)的插件模塊，從而滿(mǎn)足自己的抓取需要。

CrawlController（下載控制器）整個(gè)下載過(guò)程的總控制者，整個(gè)抓取工作的起點(diǎn)，決定整個(gè)抓取任務(wù)的開(kāi)始和結(jié)束。每個(gè)URI都有一個(gè)獨(dú)立的線(xiàn)程，它從邊界控制器（Frontier）獲取新的URI，然后傳遞給Processor chains（處理鏈）經(jīng)過(guò)一系列Processor（處理器）處理。

二、Heritrix架構(gòu)

中央控制器 CrawlController 是核心組件，決定了整個(gè)抓取任務(wù)的開(kāi)始與結(jié)束。

用戶(hù)在 Heritrix web UI 控制臺(tái)設(shè)置抓取任務(wù)后，heritrix首先構(gòu)造XMLSettingsHandler對(duì)象，然后調(diào)用CrawlController的構(gòu)造函數(shù)，構(gòu)造一個(gè)CrawlController實(shí)例并初始化，這樣，CrawlController就具備了運(yùn)行條件。

此時(shí)，只需調(diào)用 requestCrawlStart()方法就可以啟動(dòng)線(xiàn)程池和Frontier，以便向線(xiàn)程池中工作線(xiàn)程提供抓取用的URL鏈接。

Heritrix 3.x 的框架主要分為 Engine 和 Component

三、一些API

org.archive.crawler.framework.CrawlJob;

org.archive.crawler.postprocessor.CandidatesProcessor;org.archive.modules.CrawlURI;

等等

抓取任務(wù)CrawlOrder類(lèi)：是整個(gè)抓取工作的起點(diǎn)。一次抓取任務(wù)包括許多屬性，建立一個(gè)任務(wù)的方式有很多種，最簡(jiǎn)單的一種就是根據(jù)默認(rèn)的order.xml來(lái)配置。

中央控制器CrawlController：該類(lèi)決定著抓取任務(wù)的開(kāi)始和結(jié)束。它包含以下幾個(gè)組件：

CrawlOrder：該類(lèi)保存了order.xml的屬性配置；

CrawlScope：決定當(dāng)前抓取范圍；

ProcessorChainList：處理器鏈；

Frontier：一次抓取任務(wù)需要設(shè)定一個(gè)Frontier，以此來(lái)不斷為其每個(gè)線(xiàn)程提供URI；

ToePool：它是一個(gè)線(xiàn)程池，管理了所有在當(dāng)前任務(wù)中抓取過(guò)的Host名稱(chēng)和Server名稱(chēng)。

中央控制器CrawlControllr的類(lèi)結(jié)構(gòu)如圖所示：

Frontier鏈接制造工廠(chǎng)：它表示一種為線(xiàn)程提供鏈接的工具，通過(guò)一些特定的算法來(lái)決定哪個(gè)鏈接將接下來(lái)被送入處理器鏈中，同時(shí)，它本身也負(fù)責(zé)一定的日志和狀態(tài)報(bào)告功能。

BdbFrontier類(lèi)：它是用Berkeley DB 實(shí)現(xiàn)的，Berkeley DB 就是一個(gè)HashTable，它能夠按“key/value”方式保存數(shù)據(jù)，能夠?yàn)閼?yīng)用程序提供可伸縮的、高性能的、有事務(wù)保護(hù)功能的嵌入式數(shù)據(jù)庫(kù)。

Heritrix的多線(xiàn)程ToeThread和ToePool：要想更快更有效地抓取網(wǎng)頁(yè)，必須采用多線(xiàn)程，Heritrix則采用多線(xiàn)程機(jī)制，提供了一個(gè)標(biāo)準(zhǔn)的線(xiàn)程池ToePool，用于管理所有的抓取線(xiàn)程。

處理器鏈 Processor：包括PreProcessor、Fetcher、Extractor、Writer、PostProcessor五種。

四、應(yīng)用

作為爬蟲(chóng)模塊，爬取數(shù)據(jù)

到此這篇關(guān)于爬蟲(chóng)技術(shù)框架之Heritrix框架詳解的文章就介紹到這了,更多相關(guān)爬蟲(chóng)技術(shù)框架 Heritrix內(nèi)容請(qǐng)搜索好吧啦網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章希望大家以后多多支持好吧啦網(wǎng)！