Nutch1.7学习笔记7:Robots协议处理流程
来源:互联网 发布:猪八戒众包平台数据 编辑:程序博客网 时间:2024/06/06 15:54
说明:通常来说,网络爬虫应该遵循网站所描述的robots协议。因此,任何网络爬虫都有关于robots协议部分的处理。
分析入口:Robot相关处理的入口位于Fetcher.java的L676,如下所示:
BaseRobotRules rules = protocol.getRobotRules(fit.url, fit.datum);
Fetcher抓取每个URL之前都会先查看系统之前是否已经获取了URL所对应的robots协议,如果已经获取了,则检查该URL是否符合robots协议的规则,如果不符合,则会跳过该URL不抓取。如下:
if(!rules.isAllowed(fit.u.toString())) {
// unblock
fetchQueues.finishFetchItem(fit,true);
if (LOG.isDebugEnabled()) {
LOG.debug("Denied byrobots.txt: " + fit.url);
}
output(fit.url, fit.datum, null, ProtocolStatus.STATUS_ROBOTS_DENIED, CrawlDatum.STATUS_FETCH_GONE);
reporter.incrCounter("FetcherStatus", "robots_denied", 1);
continue;
}
getRobotRules的过程如下:
网站所对应的Robot规则放在Hashtable<String,BaseRobotRules>缓存里,其中String键为协议和子域名的组合,BaseRobotRules值为该URL所对应的Robot规则。如当爬取http://www.apache.org/时,String的值就为http:www.apache.org。
如果是第一次访问这个域名时,那么通过该URL获取出来就是空null,此时将以该URL为基础生成一个获取robot的URL,如http://www.apache.org/robots.txt。然后发送HTTP请求获取该robot协议并调用RobotRulesParser.parseRules来解析。 解析成功后,就将其放入HashTable的缓存中。解析Robot协议的代码是引用的一个叫crawler-commons的第三方库,该库也是开源的,可以在https://code.google.com/p/crawler-commons/找到。Nutch1.7使用的是crawler-commons-0.2版本。
如果没有找到该robots.txt,那么系统将用默认的空规则,也就是允许抓取所有的页面。同时也将其作为该URL对应的规则放入HashTable缓存,这样下次访问该子域名的时候不用重复获取Robot规则,直接取出来进行判断即可。
分析入口:Robot相关处理的入口位于Fetcher.java的L676,如下所示:
BaseRobotRules rules = protocol.getRobotRules(fit.url, fit.datum);
Fetcher抓取每个URL之前都会先查看系统之前是否已经获取了URL所对应的robots协议,如果已经获取了,则检查该URL是否符合robots协议的规则,如果不符合,则会跳过该URL不抓取。如下:
if(!rules.isAllowed(fit.u.toString())) {
// unblock
fetchQueues.finishFetchItem(fit,true);
if (LOG.isDebugEnabled()) {
LOG.debug("Denied byrobots.txt: " + fit.url);
}
output(fit.url, fit.datum, null, ProtocolStatus.STATUS_ROBOTS_DENIED, CrawlDatum.STATUS_FETCH_GONE);
reporter.incrCounter("FetcherStatus", "robots_denied", 1);
continue;
}
getRobotRules的过程如下:
网站所对应的Robot规则放在Hashtable<String,BaseRobotRules>缓存里,其中String键为协议和子域名的组合,BaseRobotRules值为该URL所对应的Robot规则。如当爬取http://www.apache.org/时,String的值就为http:www.apache.org。
如果是第一次访问这个域名时,那么通过该URL获取出来就是空null,此时将以该URL为基础生成一个获取robot的URL,如http://www.apache.org/robots.txt。然后发送HTTP请求获取该robot协议并调用RobotRulesParser.parseRules来解析。 解析成功后,就将其放入HashTable的缓存中。解析Robot协议的代码是引用的一个叫crawler-commons的第三方库,该库也是开源的,可以在https://code.google.com/p/crawler-commons/找到。Nutch1.7使用的是crawler-commons-0.2版本。
如果没有找到该robots.txt,那么系统将用默认的空规则,也就是允许抓取所有的页面。同时也将其作为该URL对应的规则放入HashTable缓存,这样下次访问该子域名的时候不用重复获取Robot规则,直接取出来进行判断即可。
0 0
- Nutch1.7学习笔记7:Robots协议处理流程
- Nutch1.7学习笔记7:Robots协议处理流程
- Nutch1.7学习笔记2:基本工作流程分析
- Nutch1.7学习笔记2:基本工作流程分析
- python学习笔记之robots协议
- Nutch1.7学习笔记1:基本环境搭建及使用
- Nutch1.7学习笔记:基本环境搭建及使用
- Nutch1.7学习笔记3:Injector源代码分析
- Nutch1.7学习笔记4:Generator源代码分析
- Nutch1.7学习笔记5:Fetcher源代码分析
- Nutch1.7学习笔记6:ParseSegment源代码分析
- Nutch1.7学习笔记8:CrawlDb源代码分析
- Nutch1.7学习笔记1:基本环境搭建及使用
- Nutch1.7学习笔记1:基本环境搭建及使用
- Nutch1.7学习笔记3:Injector源代码分析
- Nutch1.7学习笔记4:Generator源代码分析
- Nutch1.7学习笔记5:Fetcher源代码分析
- Nutch1.7学习笔记6:ParseSegment源代码分析
- AGPS定位基本原理浅析
- Phonegap 3+ iOS和Android配制
- jxl简介,jxl操作excel 创建,读取,修改。
- jdk5.0新特性介绍
- 黑马程序员 —— 字符流的缓冲区
- Nutch1.7学习笔记7:Robots协议处理流程
- IOS屏幕禁止旋转,隐藏状态栏(电池栏)
- Nutch1.7学习笔记8:CrawlDb源代码分析
- with sand making machine much more effective
- android 计算时间差的简便方法
- JavaScript社区开发者调查:服务端JS盛行 AngularJS使用者最多
- TeX系列: tikz-3dplot绘图宏包 (ubuntu12.04)
- linux0.11信号处理
- ubuntu 12.04 LTS安装samba实现与windows共享文件