Heritrix1.14源码分析(7) Heritrix的文件结构分析
来源:互联网 发布:js怎么取子节点 编辑:程序博客网 时间:2024/05/18 00:20
每通过Heritrix运行一次抓取后,发现在该Job目录下就会有很多文件。这里说明下每个文件的作用,同时更主要介绍它的日志文件,因为我们可以通过日志文件发现Heritrix的抓取情况。首先贴个图:
以上就是Heritrix完成的文件结构,现在一一说明
序号文件名说明1order.xmlHeritrix运行的所有配置,一个order.xml就代表一个抓取任务2seeds.txt种子文件,Heritrix从里面的URL开始抓取3stateHeritrix采用BDB去保存URL,这个目录就是bdb目录4scratch保存网页内容,每一个URL网页内容都对应一对ris和ros文件5logs保存了Heritrix抓取时的日志,会这种介绍。可以从这些日志文件挖掘抓取情况6checkpoints等同于数据库的checkpoint,Heritrix可以设置定时,然后定时备份其所有文件,也就是这里介绍的所有文件。同时在做这个操作的时候Heritrix暂停所有抓取.7seeds-report.txt种子抓取汇报,主要针对seeds.txt里的种子URL做个说明。等下会详细说明...8responsecode-report.txt抓取URL的服务器响应代码以及该代码的URL个数。等下会详细说明...9processors-report.txt每个处理器的抓取报告,等下会详细说明10mimetype-report.txt网页类型抓取汇报,等下会详细说明11frontier-report.txt调度器处理报告,等下会详细说明12crawl-report.txt抓取汇报,等下会详细说明13crawl-manifest.txt里面包含了Heritrix涉及到的文件14hosts-report.txt域抓取汇报,等下会详细说明
现在重点说明一下Heritrix的所有日志文件:
1.抓取汇报文件:crawl-report.txt
抓取名字:Crawl Name
抓取状态:Crawl Status
抓取用时:Duration Time
成功抓取的种子数:Total Seeds Crawled
没有抓取的种子数:Total Seeds not Crawled
共抓取的host个数:Total Hosts Crawled
共抓取的文档数(URL数):Total Documents Crawled
处理速度(文档/秒):Processed docs/sec
宽带速率(KB/秒):Bandwidth in Kbytes/sec
抓取的字节数:Total Raw Data Size in Bytes
共抓取的字节数:Novel Bytes: 11644599984 (11 GB)
2.调度器汇报:frontier-report.txt
1)队列描述:
处理中队列:IN-PROCESS QUEUES
准备队列:READY QUEUES
延迟队列:SNOOZED QUEUES
不在活动状态队列:INACTIVE QUEUES
退休队列:RETIRED QUEUES
2)属性描述:
queue:队列ID,为class key
currentSize:当前队列包含URL个数
totalEnqueues:进入该队列的URL个数
sessionBalance:预算值
lastCost:上一个URL所花费成本
(averageCost):平均成本
lastDequeueTime:上一个URL出队列的时间
wakeTime:醒来的时间
totalSpend/totalBudget:总花费
errorCount:出现错误的URL个数
lastPeekUri:上一个获取的URL
lastQueuedUri:上一个进入队列的URL
3.抓取host汇报(按urls个数从大到小排序):hosts-report.txt
[#urls]:该host下URL个数
[#bytes]:该host下所抓取的字节数
[host]:host
[#robots]:被爬虫协议拒绝的url个数
[#remaining]:剩下还未处理的URL个数
4.网页类型(一般为text/dns和text/html)抓取汇报:mimetype-report.txt
[#urls]:该网页类型的url个数
[#bytes]:该网页类型一共处理的字节数
[mime-types]:网页类型(text/dns和text/html)
5.处理器汇报:processors-report.txt
1)总体汇报:Processors report
Job being crawled:该JOB来源的JOB
Number of Processors:处理器个数,包括无效的处理器
NOTE:处理器说明
2)单个Processor汇报:
Processor:处理器名
Function:处理器功能
CrawlURIs handled:该处理器下处理的URL个数
Recovery retries:
Links extracted:抽取出来的URL个数
6.Http response汇报:responsecode-report.txt
[rescode]:Http response code
1:请求http
200:http成功相应
302:暂时性重定向
500:http服务器内部错误
[#urls]:是该code的URL个数
- Heritrix1.14源码分析(7) Heritrix的文件结构分析
- Heritrix1.14源码分析(7) Heritrix的文件结构分析
- Heritrix1.14源码分析(6) Heritrix总体介绍
- Heritrix1.14源码分析(6) Heritrix总体介绍
- Heritrix源码分析(六) Heritrix的文件结构分析
- Heritrix1.14源码分析(12) Heritrix的控制中心(大脑)CrawlController
- Heritrix1.14源码分析(13) 如何让Heritrix不间断的抓取
- Heritrix1.14源码分析(12) Heritrix的控制中心(大脑)CrawlController
- Heritrix1.14源码分析(13) 如何让Heritrix不间断的抓取
- Heritrix1.14源码分析(9) Heritrix的二次抓取以及如何让Heritrix抓取你不想抓取的URL
- Heritrix1.14源码分析(9) Heritrix的二次抓取以及如何让Heritrix抓取你不想抓取的URL
- Heritrix1.14源码分析(11) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性
- Heritrix1.14源码分析(11) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性
- Heritrix1.14源码分析(5) 如何让Heritrix在Ecplise等IDE下编程启动
- Heritrix1.14源码分析(10) Heritrix中的Http Status Code(Http状态码)
- Heritrix1.14源码分析(5) 如何让Heritrix在Ecplise等IDE下编程启动
- Heritrix1.14源码分析(10) Heritrix中的Http Status Code(Http状态码)
- Heritrix1.14源码分析(14)各种问题总结
- nyoj 620畅通工程(并查集)
- DirectX深度偏移(depth bias)
- Heritrix1.14源码分析(6) Heritrix总体介绍
- 云计算以及虚拟化
- 深入Linux网络编程(一):同步IO
- Heritrix1.14源码分析(7) Heritrix的文件结构分析
- hdu 2012 素数判定
- Heritrix1.14源码分析(8) Heritrix8个处理器(Processor)介绍
- 深入Linux网络编程(二):异步阻塞IO—select
- Heritrix1.14源码分析(9) Heritrix的二次抓取以及如何让Heritrix抓取你不想抓取的URL
- [sicily online]1036. Crypto Columns
- System.IO命名空间中Directory类的使用
- Heritrix1.14源码分析(10) Heritrix中的Http Status Code(Http状态码)
- Class中成员执行顺序