欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页

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

 

 1.org.archive.crawler
序号 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

 

2.org.archive.crawler.admin
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

 

 

3.org.archive.crawler.admin.ui
序号 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

 

 

4.org.archive.crawler.datamodel
序号 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 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

 

 

6.org.archive.crawler.deciderules
序号 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

 

 

7.org.archive.crawler.event
序号 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

 

 

8.org.archive.crawler.extractor
序号 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:

Heritrix源码分析(四)   各个类说明(一)
            
    
    博客分类: 搜索引擎-爬虫-Heritrix 配置管理正则表达式SolrQQUI