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(十一) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性

程序员文章站 2022-04-29 16:24:07
...

                  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/649889  

       欢迎加入Heritrix群(QQ):109148319

 

     Url是爬虫的核心,因为爬虫就是依赖URL一层一层的抓取下去,最后完成整个抓取。Heritrix中的URL比较特殊,有以下继承关系(由于不对继承关系作介绍,所以这里就不画图了):

          1)org.archive.crawler.datamodel.CrawlURI——>CandidateURI

          2)org.archive.net.UURI——>org.archive.net.LaxURI

                                                          ——>org.apache.commons.httpclient.URI——>java.net.URL

          前面说过CrawlURI和CandidateURI的区别在于CrawlURI是由通过了调度器(Frontier)的CandidateURI转换而来的。下面就先介绍CnadidateURI(主要介绍相关属性):

         

public static final int HIGH = 1;	               //调度器调度等级:高
public static final int HIGHEST = 0;          //调度器调度等级:最高
public static final int MEDIUM = 2;	//调度器调度等级:中
public static final int NORMAL = 3;	//调度器调度等级:普通
//URL字符串
private String cachedCandidateURIString = null;

//队列Key,不同队列有不同的classKey.其中相同classKey的CandidateURI则属于相同的队列
private String classKey; 

//是否强制访问,强制访问的话会重复抓取
private boolean forceRevisit = false;
// 是不是种子
private boolean isSeed = false; 
/**
 * 灵活的属性列表,Heritrix在运行过程中需要保存不固定的属性和属性值,
  *同时扩展Heritrix属性 也可以放在里面。不过需要特殊处理,等下单独介绍
 */
private transient AList alist;

/**
  * 该值代表当前CandidateURI是如何从种子那里生成的,有如下生成方式:
  * P:预先处理URL,一般是DNS,如DNS:www.baidu.com
   * R:重定向URL
   * E:嵌入式URL,如Frame、src等
  * X:特殊嵌入式URL,如JS中的URL
   * L:一般意义上的URL,如<a href="www.baidu.com">
   * 该属性除了可以记录从种子那来源方式的话同时还可以记录深度,因为
  * 该值是一层一层传递,每传递一层则增加一个以上字符.如此通过长度
  * 可以判断当前URL属于种子的第几层从而做到控制抓取深度, 如果当
  * 前CandidateURI是种子,则该值为null
   */
 private String pathFromSeed;

private int schedulingDirective = NORMAL; // 调度等级,默认为普通
private transient UURI uuri;	      //URL			
private transient UURI via;	      //来源URL
private CharSequence viaContext;//来源URL内容

 

下面再介绍一下CrawlURI相关属性,前面说过CrawlURI和CandidateURI最大区别就是CrawlURI通过了调度器,这也就意味着CrawlURI会进入队列抓取,如此CrawlURI就会相比CandidateURI对很多属性来记录抓取情况,如处理器,下面请看代码以及注释:

//数组用户保存alist成员的key,使得URI处理期间可以持久化访问.这个list中的所有的key在传递下去的处理链 后面都不会被清理掉
private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>(
		new String[] { A_CREDENTIAL_AVATARS_KEY });
// 一个CrawlURI所允许的最大外链接数(就是该CrawlURI本身网页里所包含的链接数),默认为6000
public static final int MAX_OUTLINKS = Integer.parseInt(System.getProperty(
		CrawlURI.class.getName() + ".maxOutLinks", "6000"));
// 放弃的外链接个数(当一个URL抽取出来的链接数超过MAX_OUTLINKS时就放弃,然后本变量累加)
transient private int discardedOutlinks = 0;

public static final int UNCALCULATED = -1; //网页内容长度,默认值	
private String cachedCrawlURIString = null; //缓存的URL	
private byte[] contentDigest = null; //网页内容指纹,对内容进行MD5值,该对象可以用于对比该URL是否有更新
private String contentDigestScheme = null; // 记录网页内容所采用算法,从配置文件里配置	
private long contentLength = UNCALCULATED; //相应内容长度	
private long contentSize = UNCALCULATED; //网页内容大小	
private String contentType = null; //网页内容类型	
private int deferrals = 0; 		//从先决条件URL延迟数

private int fetchAttempts = 0;	// 获取URL的个数
private int fetchStatus = 0;    //获取URL内容状态,默认为0,表示没有尝试过	
transient Object holder;  		// 所属的队列(WorkQueue)
int holderCost = UNCALCULATED; 	//成本
transient Object holderKey;  	//所属队列的classkey
private transient HttpRecorder httpRecorder = null;	//记录网页内容	
transient private boolean linkExtractorFinished = false; //抽取是否成功,如果成功则该URL不会再被抽取
transient private Processor nextProcessor; // 下一个处理器
transient private ProcessorChain nextProcessorChain;// 下一条处理链	
protected long ordinal; //Crawl自增数目,用于广度优先抓取
transient Collection<Object> outLinks = new HashSet<Object>();	 //该URL抽取到的所有的连接
private boolean post = false; // 提交url是否post,对应HttpClient的HttpPost
private boolean prerequisite = false; //是否有优先URL要处理,一般是DNS
transient private int threadNumber;	//线程个数
private String userAgent = null;	//用户代理,表名当前身份
@Deprecated
private int embedHopCount = UNCALCULATED; 
@Deprecated
private int linkHopCount = UNCALCULATED; // 跃点数,表示来自种子的第几层,该值可以控制抓取深度

        

    同时很多人在使用Heritrix的时候需要增加自己的属性,我之前也有这样的需求。不过那时是直接修改源代码增加几个属性,然后在抽取的时候将新的属性赋给抽取出来的URL即可。后来才发现完全没有这个必要,Heritrix已经提供了这样一个功能,可以自定义放入各种属性和属性值。同时Heritrix自己在运行过程中也是如此,把一些会动态变化的属性放入其中,如HttpStatus Code。下面就介绍下其相关原理以及如何使用这个功能:

     1)原理:

               CandidateURI里面有一个属性private transient AList alist;该属性实际上是一个HashTable,其中Key为属性,Value为属性值。如此一致贯穿整个抓取,可以随时动态读写。但由于该属性是transient,也就意味着HashTable里面的值不会被持久化,所以Heritrix在CrawlURI里面引入一个个变量来记录HashTable中需要持久化的Key,也就是我们所要持久化的属性了:private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>( new String[] { A_CREDENTIAL_AVATARS_KEY });该属性类型为CopyOnWriteArrayList,也就是专门用于复制写的List,里面存放需要持久化的Key。所以当你需要某个HashTable中的某个Key持久化的时候,只需要在该变量里添加即可。

      2)使用方法:

             1.存放属性和属性值,变量可以按多种类型存放:                

//放入类型为Int的值
public void putInt(String key, int value) {
	getAList().putInt(key, value);
}
//放入类型为Long的属性值
public void putLong(String key, long value) {
	getAList().putLong(key, value);
}
//放入类型为Object的属性值
public void putObject(String key, Object value) {
	getAList().putObject(key, value);
}
//放入类型为String的属性值
public void putString(String key, String value) {
	getAList().putString(key, value);
}

           2.获得属性和属性值:

//获得属性的值,该值为Int类型
public int getInt(String key) {
	return getAList().getInt(key);
}
//获得属性的值,该值为Long类型
public long getLong(String key) {
	return getAList().getLong(key);
}
//获得属性的值,该值为Object类型
public Object getObject(String key) {
	return getAList().getObject(key);
}
//获得属性的值,该值为String类型
public String getString(String key) {
	return getAList().getString(key);
}

            3.查看是否包含某个属性:

//查看是否包含某个属性
public boolean containsKey(String key) {
	return getAList().containsKey(key);
}

           4.获得所有的属性:

//返回所有的属性值
public Iterator keys() {
	return getAList().getKeys();
}

           5.让某个属性持久化:

public void makeHeritable(String key) {
	@SuppressWarnings("unchecked")
	List<String> heritableKeys = (List<String>) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		heritableKeys = new ArrayList<String>();
		heritableKeys.add(A_HERITABLE_KEYS);
		putObject(A_HERITABLE_KEYS, heritableKeys);
	}
	heritableKeys.add(key);
}

           6.让某个属性不持久化:

public void makeNonHeritable(String key) {
	List heritableKeys = (List) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		return;
	}
	heritableKeys.remove(key);
	if (heritableKeys.size() == 1) {
		// only remaining heritable key is itself; disable completely
		remove(A_HERITABLE_KEYS);
	}
}

 

          以上6个介绍完全可以让你扩展自己的属性以及让他们持久化,如果还有其他问题,请留言,或者加入群:10447185

          

   更多技术文章、感悟、分享、勾搭,请用微信扫描:

Heritrix源码分析(十一)  Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性
            
    
    博客分类: 搜索引擎-爬虫-Heritrix Solr嵌入式QQlucene.net