Heritrix源码分析(四) 各个类说明(一)
程序员文章站
2022-03-02 11:37:31
...
本博客属原创文章,欢迎转载！转载请务必注明出处:http://guoyunsky.iteye.com/blog/630347
欢迎加入Heritrix群(QQ)：109148319
Heritrix的类的确很繁琐,往往继承了一层又一层,最多的继承好像有7层。下面就一个包一个包的说明每个类的作用，由于里面Heritrix组件分明，很多组件没用到的同时该组件的类我也没怎么接触,所以这里会忽略一部分，如果有知道的请补充，谢谢！如果对包还有不熟悉的,可以查看我前面的文章,这里也给出链接http://guoyunsky.iteye.com/admin/blogs/613249
| 序号 | 类 | 说明 |
| 1 | CommandLineParser | Heritrix也可以通过CMD命令进行操作,该类用于解析CMD命令 |
| 2 | Heritrix | Heritrix主类,可以通过该类启动Heritrix |
| 3 | SimpleHttpServer | Heritrix Web服务器,可以通过Web管理Heritrix |
| 4 | WebappLifecycle | 封装Servlet,如此才可以通过Web启动Heritrix,里面装载Heritrix对象 |
| 序号 | 类 | 说明 |
| 1 | CrawlJob | Heritrix的核心类,代表着一个抓取任务,order.xml中大部分属性都围绕其配置,以后会着重说明 |
| 2 | CrawlJobErrorHandler | 维护者一个抓取任务(CrawlJob)的错误日志,UI中显示的JOB错误就来自于它 |
| 3 | CrawlJobHandler | 抓取任务处理器,Heritrix可以有多个抓取任务,都由它进行管理 |
| 4 | InvalidJobFileException | 抓取任务文件异常,意义不大 |
| 5 | SeedRecord | 记录种子的处理记录,如该种子重定向到哪个URL,在seeds.txt里面会有说明，该重定向值就来源于它 |
| 6 | StatisticsSummary | 统计摘要类，所用不多 |
| 7 | StatisticsTracker | Heritrix核心类，统计跟踪器,贯穿整个Heritrix的运行,如统计抓取了多少URL，以后会着重说明 |
| 序号 | 类 | 说明 |
| 1 | CookieUtils | Cookie工具类,主要用于访问Cookie |
| 2 | JobConfigureUtils | CrawlJob配置管理工具类,当你通过Web Ui去配置一个CrawlJob时就会用到这个类 |
| 3 | RootFilter | 不熟 |
| 序号 | 类 | 说明 |
| 1 | CandidateURI | Heritrix的核心类,代表着一个URL,贯穿整个抓取,与CrawlURI的区别是它还没有通过调度器(Frontier)，只有通过了调度器的URL才可能去获取网页内容区下载等，以后会着重说明 |
| 2 | CandidateURITest | CandidateURI的测试类,比如可以用它获知如何创建CanditeURI |
| 3 | Checkpoint | Heritrix会定期备份它的数据,如日志、正在获取的URL内容，都是在底层定时运行,当Heritrix异常中断可以通过它来恢复.也类似于各个数据库的Ckeckpoint |
| 4 | CoreAttributeConstants | 装载着Heritrix的基本属性变量名,一般是对应order.xml中的标签名 |
| 5 | CrawlHost | Heiritrix的核心类,代表着一个Host，里面主要包含域名、IP。由于Heritrix可以控制抓取速度，如对一个Host的抓取速度,这个类就代表着那个Host.以后会着重说明 |
| 6 | CrawlOrder | Heritrix的核心类,基本上对应着order.xml的各个属性值,除了各个组件的详细属性，以后会着重说明 |
| 7 | CrawlServer | Heritrix的核心类,也对应着一个Host,里面装载着一个Host的各种Heritrix数据,如统计信息、爬虫协议 |
| 8 | CrawlSubstats | 抓取统计类,主要统计抓取Url的个数、成功的个数、下载的字节数等等 |
| 9 | CrawlURI | CandidateURI的子类,主要比CaidiateURI多了网页内容指纹、所属队列、组件处理器等 |
| 10 | CredentialStore | 凭证存储类，负责存储各种凭证,如登陆 |
| 11 | FetchStatusCodes | 抓取状态,有不同的属性代表不同的抓取状态,如DNS获取成功：S_DNS_SUCCESS |
| 12 | RobotsHonoringPolicy | 爬虫协议,代表着不同的抓取策略 |
| 13 | Robotstxt | 爬虫协议,用于解析robots.txt |
| 14 | ServerCache | 服务器缓存,主要缓存CrawlHost和CrawlServer |
| 15 | UriUniqFilter | 接口,用于过滤已经抓取过的URL |
5.org.archive.crawler.datamodel.credential
| 序号 | 类 | 说明 |
| 1 | Credential | 凭证类,代表着一个凭证,从order.xml配置文件中获取数据 |
| 2 | CredentialAvatar | 代表着一个具体的凭证 |
| 3 | HtmlFormCredential | Credential的子类,代表着提交HTML FORM表单时所需要的凭证 |
| 4 | Rfc2617Credential | Credential的子类,代表着RFC2617 HTTP 认证凭证 |
| 序号 | 类 | 说明 |
| 1 | AcceptDecideRule | URL规则,表示接受 |
| 2 | ConfiguredDecideRule | URL规则，通过order.xml文件中的配置来决定是否拒绝(REJECT)或接受(ACCEPT) |
| 3 | DecideRule | URL规则的父类,审核一个URL是否接受(ACCEPT)、拒绝(REJECT)或放弃(PASS),通过decisionFor(Object object)方法,该方法由其子类实现 |
| 4 | DecidingScope | 验证一个URL是否在范围来决定是否接受、拒绝或放弃 |
| 5 | MatchesRegExpDecideRule | 通过配置的正则表达式来决定URL是否可接受、拒绝或放弃 |
| 6 | NotMatchesRegExpDecideRule | MatchesRegExpDecideRule的子类,如果URL不匹配该正则则接受 |
| 7 | PathologicalPathDecideRule | 如果URL中相同目录名超过配置文件中的个数,则拒绝,如http://www.xxx.com/a/a/a/a/a其中a的个数超过一定限制则拒绝 |
| 8 | PrerequisiteAcceptDecideRule | 如果URL中有先决条件URL则接受,也就是该CandidateURI里的pathFromSeed属性里含有P,表示运行该URL之前有先要运行的URL |
| 9 | RejectDecideRule | URL规则，表示拒绝 |
| 10 | TooManyHopsDecideRule | 如果超过配置文件中的约点数(max-hops),则拒绝 |
| 序号 | 类 | 说明 |
| 1 | CrawlStatusListener | 爬虫监听器,如监听爬虫是否在运行，是否暂停等 |
| 2 | CrawlURIDispositionListener | URL监听器,如监听URL是否失败，是要要重新抓取等 |
| 序号 | 类 | 说明 |
| 1 | Extractor | 所有抽取类的父类,用于从一个URL中抽取出新的URL |
| 2 | ExtractorCSS | 从CSS中抽取出新的URL |
| 3 | ExtractorDOC | 从DOC中抽取出新的URL |
| 4 | ExtractorHTML | 从HTML中抽取出新的URL,Heritrix核心类 |
| 5 | ExtractorHTTP | 从HTTP中抽取出新的URL |
| 6 | ExtractorJS | 从Javascript中抽取出新的URL |
| 7 | ExtractorPDF | 从PDF中抽取出新的URL |
| 8 | ExtractorSWF | 从SWF中抽取出新的URL |
| 9 | ExtractorXML | 从XML中抽取出新的URL |
| 10 | HTTPContentDigest | 网页内容文摘,实际上是通过MD5或SHA1算法将网页内容指纹化 |
| 11 | Link | 链接,代表抽取出来的URL |
更多技术文章、感悟、分享、勾搭，请用微信扫描:
上一篇： 取IP寄存器的当前值
下一篇： 神奇的perl-第六个任务(11)