深入学习heritrix---体系结构（Overview of the crawler）

Heritrix采用了模块化的设计，它由一些核心类（core classes）和可插件模块（pluggable modules）构成。

核心类可以配置，但不能被覆盖，插件模块可以被由第三方模块取代。

(一)heritrix的体系结构图:





(二)架构分析

CrawlController（下载控制器）

整个下载过程的总的控制者，整个抓取工作的起点，决定整个抓取任务的开始和结束。从Frontier获取URI，传递给

线程池（ToePool）中的ToeThread处理。



Frointier(边界控制器)

主要确定下一个将被处理的URI，负责访问的均衡处理，避免对某一web服务器造成太大的压力。

它保存着crawl的状态：

（1）发现的URI（URIs have been discovered）

（2）正在被处理的URI（URIs are being processed (fetched)）

（3）已经处理的URI（URIs have been processed）



TeoThread(处理线程)

Heritrix是多线程的，每一个URI被一个ToeThread处理。



Processor(处理器)

下图为处理器的整个结构图



许多Processor组成一个处理链（processor chains）中,每一个处理链对URI进行一系列的处理。

(1)Pre-fetch processing chain(预处理链)

主要根据robot协议，DNS以及下载范围控制信息判断当前URI是否应当处理。

(2)Fetch processing chain（抓取处理链）

从远程服务器获取数据

(3) Extractor processing chain（抽取处理链）

从网页中抽取新的URI

(4)Write/index processing chain（写处理链）

负责把数据写入本地磁盘

(5)Post-processing chain（后置处理链）

由CrawlStateUpdater，LinksScoper，FrontierScheduler构成。

转自：http://blog.csdn.net/lenolong/article/details/3498668