heritrix的结构
来源:互联网 发布:淘宝hsf框架 编辑:程序博客网 时间:2024/05/01 19:03
Heritrix采用了模块化的设计,它由一些核心类(core classes)和可插件模块(pluggable modules)构成。
核心类可以配置,但不能被覆盖,插件模块可以被由第三方模块取代。
(1)CrawlController(下载控制器)
整个下载过程的总的控制者,整个抓取工作的起点,决定整个抓取任务的开始和结束。从Frontier获取URI,传递给
线程池(ToePool)中的ToeThread处理。
(2)Frointier(边界控制器)
主要确定下一个将被处理的URI,负责访问的均衡处理,避免对某一web服务器造成太大的压力。
它保存着crawl的状态:
(1)发现的URI(URIs have been discovered)
(2)正在被处理的URI(URIs are being processed (fetched))
(3)已经处理的URI(URIs have been processed)
(3)TeoThread(处理线程)
Heritrix是多线程的,每一个URI被一个ToeThread处理。
(4)Processor(处理器)
许多Processor组成一个处理链(processor chains)中,每一个处理链对URI进行一系列的处理。
(1)Pre-fetch processing chain(预处理链)
主要根据robot协议,DNS以及下载范围控制信息判断当前URI是否应当处理。
(2)Fetch processing chain(抓取处理链)
从远程服务器获取数据
(3) Extractor processing chain(抽取处理链)
从网页中抽取新的URI
(4)Write/index processing chain(写处理链)
负责把数据写入本地磁盘
(5)Post-processing chain(后置处理链)
由CrawlStateUpdater,LinksScoper,FrontierScheduler构成。
- heritrix的模块结构
- heritrix的结构
- Heritrix源码分析(六) Heritrix的文件结构分析
- 网络爬虫系统Heritrix的结构分析
- 详解Heritrix多线程结构
- Heritrix的使用入门
- Heritrix的MirrorWriter
- Heritrix的使用入门
- Heritrix的主要模块
- Heritrix的使用入门
- heritrix的主要功能模块
- Heritrix的多线程抓取
- heritrix的启动问题
- Heritrix 的优化
- Heritrix 的常用技巧
- 关于heritrix的性能
- Heritrix1.14源码分析(7) Heritrix的文件结构分析
- 网络爬虫系统Heritrix的结构分析 (个人读书报告)
- 2010-9-7
- 为了积分,啥事。。
- 严重: Exception starting filter struts2
- Popup窗口访问父窗口的方法以及相互传值
- 关于ora28000 的错误
- heritrix的结构
- 正确认识html与body
- hud 1860 简单字符串处理
- 软考——面向对象技术
- WPF中的PathAnimation(路径动画)
- 霍夫变换(hough transform),从直线到圆再到一般图形
- Java开发常用代码----线程暂停(让程序停止一段时间)
- Spring实现AOP的4种方式
- document.body和document.documentElement - [js]