扩展Heritrix的FrontierScheduler(正则表达式的应用)
来源:互联网 发布:软件开发专业怎样 编辑:程序博客网 时间:2024/05/19 13:57
heritrix有多个扩展点,这里我扩展FrontierScheduler,它是一个PostProcessor,它的作用是在Extractor 中所分析的链接加到Frontier中。
FrontierScheduler在org.archive.crawler.postprocessor包下面,我写一个类MyFrontierScheduler来继承FrontierScheduler类,,自己写
的MyFrontierScheduler可以重新放在一个新的包里面,也可以放在父类(FrontierScheduler)的包里面,然后重写FrontierScheduler的
schedule()方法。即可简单的实现自己定制的页面抓取逻辑。
父类的schedule()方法原来是是这样的:
protected void schedule(CandidateURI caUri) { getController().getFrontier().schedule(caUri); }我简单的扩展了schedule(),变为下面这样的:<pre name="code" class="java">protected void schedule(CandidateURI caUri){String url=caUri.toString();url = url.toLowerCase();//設置為只抓取news.baidu.com開頭的uriif(url.startsWith("new.baidu.com")){getController().getFrontier().schedule(caUri);}}或者这样的:<pre name="code" class="java">protected void schedule(CandidateURI caUri){String uri = caUri.toString();//设置抓取规则:URI中包含qq的抓取if(!uri.contains("qq")){System.out.println(uri);//控制台打印输出getController().getFrontier().schedule(caUri);}}
主要就是正则表达式的应用!!!
1 0
- 扩展Heritrix的FrontierScheduler(正则表达式的应用)
- 扩展FrontierScheduler来抓取特定的内容
- heritrix总结---定制FrontierScheduler
- ES6 扩展的正则表达式
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式 的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- 正则表达式的应用
- aoj 0033 ball DFS
- Top List of Sbi Ifsc Codes in Indore
- 作业3
- ArrayList 变长数组
- 求excel某一列对应的字母表示
- 扩展Heritrix的FrontierScheduler(正则表达式的应用)
- 不用临时变量交换两个数的值
- 第10周项目1-程序填充与阅读3--getchar()的规律总结
- java和 javaw 以及 javaws的区别
- Java基本数据类型转换
- [LeetCode OJ]Binary Tree Preorder Traversal
- 程序员求职面试心经40条——谨记原则
- YARN详解_参数配置
- 【图论】二分图匹配总结