heritrix的一个简单例子

来源：互联网发布：unity3d 中文文档编辑：程序博客网时间：2024/06/16 18:12

(1) WUI的上边的导航栏选择"Jobs"，呈现的第一项是"Create New Job"，选择第四小项"With defaults"。输入项的
前两项Name和Description随意，Seeds非常重要：http://www.baidu.com/ 注意最后一个反斜杠必须。
(2) 选择下边的"Modules"，进入Module配置页（Heritrix的扩展功能都是通过模块概念实现的，可以实现自己的模块完成自己想要的功能）。其中第一项 "Select Crawl Scope" 使用默认的"org.archive.crawler.deciderules.DecidingScope" 。倒数第三项 "Select Writers " 删除默认的 "org.archive.crawler.writer.ARCWriterProcessor" ，后添加
"org.archive.crawler.writer.MirrorWriterProcessor"，这样执行任务的时候抓取到的页面会以镜像的方式放在本地的
目录结构中，而不是生成ARC存档文件。
(3) 选择"Modules"右边的"Submodules"，在第一项内容中 "crawl-order ->scope->decide-rules->rules" 删除掉其
         中的 "acceptIfTranscluded" (org.archive.crawler.deciderules.TransclusionDecideRule) 的这一项抓取作用域的
         规则。否则当Http请求返回301或者302时Heritrix会去抓取其他域下的网页。
(4) 在WUI的第二行导航栏中选择"Settings"进入Job的配置页面，其中主要修改两项：http-headers 下的user-agent 和
         from，他们的"PROJECT_URL_HERE" 和 "CONTACT_EMAIL_ADDRESS_HERE" 替换为自己的内容
        （"PROJECT_URL_HERE" 要以 "http://" 开头）
(5) 在WUI的第二行导航栏中选择最右边的"Submit job"
(6) 在WUI的第一行导航栏中选择第一项的"Console"，点击"Start"，抓取任务正式开始，时间长短有网络状况和所抓取网站的深度有关。

备注：

关键字: heritrix user-agent fatalconfigurationexception

如果配置一个任务后，启动控制台窗口中出现异常

Java代码
+0000 严重 org.archive.crawler.framework.CrawlController initialize On crawl: Dev You must set the User-Agent and From HTTP header values to acceptable strings.
User-Agent: [software-name](+[info-url])[misc]
From: [email-address]

org.archive.crawler.framework.exceptions.FatalConfigurationException: unacceptable user-agent or from (Reedit your order file).
+0000 严重 org.archive.crawler.framework.CrawlController initialize On crawl: Dev You must set the User-Agent and From HTTP header values to acceptable strings.
User-Agent: [software-name](+[info-url])[misc]
From: [email-address]

org.archive.crawler.framework.exceptions.FatalConfigurationException: unacceptable user-agent or from (Reedit your order file).
这是因为设置的这两个参数不正确或者没有设置。

user-agent主要是指运行Heritrix的用户的配置，即使用者的机器配置。

首先是浏览器的选择，比如IE/7.0；其中 @VERSION@是指使用Heritrix的版本号，这里应该是1.14.1；

最后面的PROJECT_URL_HERE是指本机地址，比如

http://192.168.1.99

from是指一个Email联系方式，可以输入一个Email地址，例如

lin.net@163.com。

本文来自CSDN博客，转载请标明出处：http://blog.csdn.net/jkant/archive/2009/06/04/4242909.aspx