【网络爬虫】数据的采集——Heritrix1.x的配置过程
2015-12-02 16:31
375 查看
很长时间没有写博客了。Java学的过程中许多零碎的知识是很有必要写博客记录下来的。尤其对于初学者。
这里介绍利用Heritrix1.14.4对数据进行采集。
当下知名的网络爬虫有Heritrix和Nutch。两者各有利弊:
Nutch 只获取并保存可索引的内容。Heritrix则是照单全收。力求保存页面原貌
Nutch 可以修剪内容,或者对内容格式进行转换。
Nutch 保存内容为数据库优化格式便于以后索引;刷新替换旧的内容。而Heritrix 是添加(追加)新的内容。
Nutch 从命令行运行、控制。Heritrix 有 Web 控制管理界面。
Nutch 的定制能力不够强,不过现在已经有了一定改进。Heritrix 可控制的参数更多。
使用Heritrix更加灵活,可以便利的定制我们自己的爬取逻辑。
我们通过官网下载到Heritrix的源码,部署到我们的MyEclipse上。具体的操作:
将src-->Java-->下的三个文件夹,拷贝到MyEclipse下的工程的src目录下。
将src目录下的conf和webapps拷贝到工程根目录下。
将src-->lib-->下的所有jar包导入工程的lib下:
将Heritrix的自带的一个jar解压得到一个arcMetaheaderBody.xsl,文件,该文件存放许多顶级域名:(放到工程下的src目录里)
同样一个配置域名的文件,也要放到相应位置:
对应工程的位置:扔到util目录下即可:
准备工作基本完成,下面对一些配置文件进行配置:
找到Heritrix的配置文件:
只需添加版本信息和登录WEBUI的用户名和密码即可:
找到Heritrix.java类,就可以启动WEBUI了:当出现以下信息就认为是配置并启动成功了:
在浏览器中登录进入UI界面:
登录成功:
好了,Heritrix1.14.4的配置就完成了,接下来是如何定义并抓取信息。
这里介绍利用Heritrix1.14.4对数据进行采集。
当下知名的网络爬虫有Heritrix和Nutch。两者各有利弊:
Nutch 只获取并保存可索引的内容。Heritrix则是照单全收。力求保存页面原貌
Nutch 可以修剪内容,或者对内容格式进行转换。
Nutch 保存内容为数据库优化格式便于以后索引;刷新替换旧的内容。而Heritrix 是添加(追加)新的内容。
Nutch 从命令行运行、控制。Heritrix 有 Web 控制管理界面。
Nutch 的定制能力不够强,不过现在已经有了一定改进。Heritrix 可控制的参数更多。
使用Heritrix更加灵活,可以便利的定制我们自己的爬取逻辑。
我们通过官网下载到Heritrix的源码,部署到我们的MyEclipse上。具体的操作:
将src-->Java-->下的三个文件夹,拷贝到MyEclipse下的工程的src目录下。
将src目录下的conf和webapps拷贝到工程根目录下。
将src-->lib-->下的所有jar包导入工程的lib下:
将Heritrix的自带的一个jar解压得到一个arcMetaheaderBody.xsl,文件,该文件存放许多顶级域名:(放到工程下的src目录里)
同样一个配置域名的文件,也要放到相应位置:
对应工程的位置:扔到util目录下即可:
准备工作基本完成,下面对一些配置文件进行配置:
找到Heritrix的配置文件:
只需添加版本信息和登录WEBUI的用户名和密码即可:
找到Heritrix.java类,就可以启动WEBUI了:当出现以下信息就认为是配置并启动成功了:
在浏览器中登录进入UI界面:
登录成功:
好了,Heritrix1.14.4的配置就完成了,接下来是如何定义并抓取信息。
相关文章推荐
- 各种HTTP返回错误代码大全 HTTP 403 Forbidden / 404 Not Found / 500 Internal Server Error / 502 Bad Gateway / 50
- Nginx httpS server配置
- VMware下打开Chrome OS遇到没有网络连接可用
- 神经网络(10)--有助于对神经网络Backpropagation算法的理解
- 微信红包金额分配的算法 http://timyang.net/architecture/wechat-red-packet/
- 网络安全基础知识学习--截取自网络安全教材
- RTCP中的NTP的时间计算方法
- UNIX网络编程笔记(4):简单的回射程序
- http 协议
- iOS数据库离线缓存思路和网络层封装
- AngularJS $http
- 了解OkHttp了
- 使用OkHttp访问ssl(https)网络
- OSI七层与TCP/IP五层网络架构详解
- tcp/ip三次握手及四次挥手
- http协议
- http状态码对应表
- 深入浅出 http 请求
- 深入分析JavaWeb Item4 -- Http协议
- Spring Http Invoker