Heritrix3.0教程 使用入门(四) 载入种子的四种方式

Heritrix3.0新特性一大亮点就是,相比以前版本载入种子更灵活(甚至你可以动态载入种子),同时可以载入N个种子.以前版本载入种子是全部加载到内存

,而一旦种子过多,那容易导致内存溢出.而新版本会分批次写入硬盘(通过调度器写入).所以避免了这个问题.下面就说一下Heritrix3.0

载入种子的四种方式,分别是:直接载入,通过seeds.txt载入,通过ActionDirectory动态载入(注意是动态,你随时可以载入),自定义载入.

1. 直接载入:

直接载入比较方便,只需直接在crawler.beans.cxml中设置就可以,具体设置如下.

view plaincopy to clipboardprint?

<bean class="org.archive.modules.seeds.TextSeedModule">
<property>
<bean>
<property>
<value>
# your seeds
</value>
</property>
</bean>
</property>
-->
<!-- <property name='sourceTagSeeds' value='false'/> -->
<!--
</bean>

其中只要把your seeds替换成你想要抓取的URL即可,如http://www.yun5u.com.其中sourceTagSeeds表示是否让新抽取出来的URL记录它的种子.

这个最方便,缺点就是如果种子太多,会使得crawler-beans.xml文件过于庞大,不美观

2. 通过seeds.txt载入

也只需要在crawler.beans.cxml中配置,同时将种子填充到seeds.txt中即可:

view plaincopy to clipboardprint?

<bean class="org.archive.modules.seeds.TextSeedModule">
<property>
<bean>
<property value="seeds.txt" />
</bean>
</property>
<property name='sourceTagSeeds' value='false'/>
</bean>

也很方便,同时保持了crawler-beans.cxml的美观.缺点其实1)也有,没有动态性,不能自定义扩展.比如想从数据库导入,甚至加上自己的属性.

3. 通过ActionDirectory动态载入

我觉得ActionDirectory是Heritrix3.0最有作用的新特性.因为可以动态控制抓取.比如想新增抓取的种子,想临时存放一些你不想抓取的URL,以及

临时让Heritrix抓取一些URL.ActionDirectory都可以很好的满足.我想这个还是以后要着重介绍下.下面先介绍动态载入种子的适用方法:

首先需要在crawler-beans.cxml中配置ActionDirectory:

view plaincopy to clipboardprint?

<bean class="org.archive.crawler.framework.ActionDirectory">
<property name="actionDir" value="action" />
<property name="initialDelaySeconds" value="10" />
<property name="delaySeconds" value="30" />
</bean>

其中actionDir表示你的action目录,你得把动态加载的URL文件放到该目录下.默认为action,表示在Heritrix运行的目录下.

initialDelaySeconds表示,初始化时需要延迟的时间,这里是10秒

delaySeconds表示定时扫描actionDir的间隔时间,这里是30秒.

其中启动actionDirectory这个bean并且运行Heritrix3.0之后,你就会在你的抓取目录下看到action这个目录.当然这里你也可以自己指定.

随后可以生成一个文件,但必须以.seeds或.seeds(.gz)结尾.Heritrix会把以这两种文件名结尾的文件当做种子文件来处理.其中.seeds(.gz)

表示压缩文件.将你的种子写入.seeds文件,如test.seeds,再放入action目录,30秒后会发现该文件转移到./action/done目录下,格式为时间.test.seeds.

这个时候就表示test.seeds这个种子文件已经被加载了.你再观察下控制台,或者crawl.log就有可能发现你的种子已经被处理了.

当然,这种载入方式,你可以根据你的需要随时运行.

4. 自定义载入.

相信很多人,都有自定义载入种子的这个需求.比如从数据库中载入,或者加上自己的属性.这个就要扩展Heritrix的SeedModule了.我写了一个示例,代码如下:

view plaincopy to clipboardprint?

import java.io.File;
import java.util.Vector;
import org.apache.commons.httpclient.URIException;
import org.archive.modules.CrawlURI;
import org.archive.modules.SchedulingConstants;
import org.archive.modules.seeds.SeedModule;
import com.crawl.config.CrawlGlobal;
import com.crawl.controller.MyHeritrixController;
public class MySeedModule extends SeedModule {
private static final long serialVersionUID = 1L;
public static MyHeritrixController mhc=MyHeritrixController.getInstance(); // 单例模式,实现获得种子
/**
* 对ActionDirectory下.seeds或.seeds.gz的处理
*/
@Override
public void actOn(File f) {
}
/**
* 添加种子,比如动态添加了种子,这里既要将其载入,又要将其记录下来
*/
@Override
public void addSeed(CrawlURI curi) {
}
/**
* 载入种子
*/
@Override
public void announceSeeds() {
Vector seeds=mhc.getSeeds(); // 获得种子,这里需要根据你的需要自己实现.
String url=null;
CrawlURI curi=null;
try {
for(int i=0; i< seeds .size();i++){ url=seeds.get(i); if(url!=null&&!url.equals("")){ curi=HeritrixUrlUtil.urlToCrawlURI(url, SchedulingConstants.MEDIUM); // 自己实现的方法,将String类型的URL转换为CrawlURI curi.setSeed(true); // 设置为种子 curi.setSourceTag(curi.toString()); // 记录该URL来源的种子URL curi.getData().put(CrawlGlobal.SITE_ID,new Integer(i) ); // 自定义属性 curi.makeHeritable(CrawlGlobal.SITE_ID); // 持久化自定义属性 curi.setForceFetch(true); // 设置为强制抓取,已经抓取过也继续抓取 publishAddedSeed(curi); // 提交种子 } } } catch (URIException e) { // TODO Auto-generated catch block e.printStackTrace(); } } }

view plaincopy to clipboardprint?

// HeritrixUrlUtil.urlToCrawlURI(url, SchedulingConstants.MEDIUM); 代码
/**
* 将字符串形式的URL转换为CrawlURI
* @param url
* @param priority
* @return
* @throws URIException
*/
public static CrawlURI urlToCrawlURI(String url,int priority) throws URIException{
if (!url.matches("[a-zA-Z][\\w+\\-]+:.*")) {
url = "http://" + url;
}
url=url.replace("&", "&");
UURI uuri=UURIFactory.getInstance(url);
CrawlURI curi=new CrawlURI(uuri);
curi.setSchedulingDirective(priority);
return curi;
}