[转]Heritrix之旅之CrawlController

 

文章来源http://www.cnblogs.com/MichaelYin/archive/2011/08/25/2153633.html

一转眼暑假就快要结束了，暑假也是在趁着找工作之前花时间折研究了一下Heritrix，这段时间会花点时间把这块学习和心得来做一个总结，一方面对知识的夯实，另一方面也能对园子里面的朋友有所帮助。

Heritrix的一些介绍网上都有，我在这里也就不做介绍了，直接进入正题。

Heritrix抓取任务的核心类就是CrawlController,这个对象将决定一个抓取任务的开始和结束

view sourceprint?

00//order.xml文件的封装

01private transient CrawlOrder order;

02//

03private transient CrawlScope scope;

04//处理链列表

05private transient ProcessorChainList processorChains;

06//为抓取线程提供uri

07private transient Frontier frontier;

08 

09//线程池

10private transient ToePool toePool;

11 

12//缓存，保存了当前抓取任务抓取过的Host名称和Server名称

13private transient ServerCache serverCache;

14 

15// This gets passed into the initialize method.

16 

17private transient SettingsHandler settingsHandler;

view sourceprint?

0 

上面这个图就是CrawlController和抓取过程中的几个关键的组件的关系图，CrawlController包含了这几个组件并对整个抓取进行管理

CrawlController的初始化是在initialize方法中完成的，根据传入的SettingsHandler得到抓取必须的参数，进行初始化,然后完成其他的一些必须的初始化工作。

二次开发的时候我们也可以自己完成这些过程，但是有几个必须的过程是必须要走的，首先就是需要构造一个XMLSettingsHandler对象，将order.xml信息装入，然后构造一个CrawlController对象，然后将XMLSettingsHandler放入到CrawlController的initialize方法中去，当完成上述工作之后，CrawlController就可以准备开始进行抓取了。

其实上述所说的过程就是Heritrix类中doOneCrawl方法的实现的过程，我们可以直接将order.xml的文件路径放入方法然后进行抓取

view sourceprint?

0XMLSettingsHandler handler = newXMLSettingsHandler(newFile(

1crawlOrderFile));

2handler.initialize();

3CrawlController controller = newCrawlController();

4controller.initialize(handler);

5if (listener !=null) {

6controller.addCrawlStatusListener(listener);

7}

8controller.requestCrawlStart();