Windows配置heritrix3做网络爬虫开发实例

一、引言：

最近在忙某个商业银行的项目，需要引入外部互联网数据作为参考，作为技术选型阶段的工作，之前已经确定了中文分词工具，下一个话题就是网络爬虫的选择，目标很明确，需要下载一些财经网站的新闻信息，然后进行文本计算。记得上一次碰爬虫还是5年前，时过境迁，不知道爬虫的世界里是否有了新的崛起。比较过一些之后，初步认定heritrix基本能够满足需要，当然肯定是需要定制的了。

二、版本选择

heritrix当前版本3.1.0，安装后发现，启动任务时，windows平台有bdbopen的错误（具体原因不详），linux环境没有测试。度娘了一把，没啥实质性收获，如果从源码去看，又太费时间。就换到了3.0.5，这个版本也有问题，就是创建job时，总是提示文件夹有问题，可以选择手动创建下载任务。操作界面如下图所示：

三、配置任务-手动

　　1.jobs目录下新建文件夹sohu；

　　2.拷贝模板文件profile-crawler-beans.cxml到sohu目录

　　3.重命名profile-crawler-beans.cxml文件为crawler-beans.cxml

　　4.手动修改文件crawler-beans.cxml，设置目标网站和存储方式：


代码如下:

四、停用robots检查

改造函数，禁用robots协议检查，目的就不说了，改造方法如下：

代码如下:

五、后续工作

1.定向下载改造：只下载目标内容，过滤无关信息。

2.自动解析改造：下载内容自动解析到指定目录，指定格式。