Heritrix-1.12.1在Eclipse中的配置

来源:互联网 发布:照片去除马赛克软件 编辑:程序博客网 时间:2024/03/28 23:15

关于网络爬虫Heritrix,在配置上真是一件不容易的事情,之所以这样会说,是因为Heritrix开发之初就是基于在Unix平台的(可以参考官方Manual,网址为http://crawler.archive.org/articles/user_manual/index.html),可以保证非常容易地在Unix平台下轻松地启动。因此,在Windows平台下,配置起来让人感觉有点非常规。

在网络上有很多关于配置它的求助帖子,我感觉看了那些帖子后,感觉更加迷茫了。

个人认为,关键是理解它的内在机制,这才是核心所在。

下面,我把个人在配置Heritrix的心得记录如下,供大家参考。

准备工作

1、下载Heritrix-1.12.1

可以到SourceForge.net上去下载,下载地址链接为:http://sourceforge.net/project/showfiles.php?group_id=73833&package_id=73980

需要下载的压缩文件包有两个,如下:

heritrix-1.12.1.zip 和 heritrix-1.12.1-src.zip

2、解压缩Heritrix-1.12.1文件包

在本地磁盘中解压缩,随便放在一个地方就行,用到的时候,直接从这两个解压缩的文件夹下面拷贝文件即可。

以我的为例,我把他们解压缩到了目录E:/Heritrix下面,如图所示:

开发环境

操作系统:Windows XP SP2

Heritrix版本:Heritrix-1.12.1

Eclipse版本:Eclipse 3.2.1

配置概述

Heritrix-1.12.1配置成功以后,工程的目录下的内容如图所示:

即后面我们新建的工程目录D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1下面的文件内容。

配置过程

1、新建Java Project工程

在Eclipse中新建一个Java Project工程(注意:一定是Java Project的工程,不是Web Project工程),工程名称为Heritrix-1.12.1。

以我的为例,对应地,工程Heritrix-1.12.1在本地磁盘目录D:/eclipse-SDK-3.2.1-win32/workspace下面。

可以在目录D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1下面看到:两个工程属性文件.classpath和.project、两个文件目录bin和src。

删除掉两个文件目录bin和src。

2、向新建的Java Project添加Heritrix-1.12.1文件

(1) 将目录E:/Heritrix/heritrix-1.12.1-src/heritrix-1.12.1/src/java/下面的三个目录:org、com、st一起拷贝到新建工程Heritrix-1.12.1目录下面(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1)。

(2) 将目录E:/Heritrix/heritrix-1.12.1-src/heritrix-1.12.1/src/conf/下面的:三个目录(包括:modules、profiles、selftest),以及四个文件(包括:heritrix.properties、jmxremote.password.template、heritrix.cacerts、jndi.properties)一起拷贝到新建的工程Heritrix-1.12.1目录下面(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1)。

(3) 将目录E:/Heritrix/heritrix-1.12.1-src/heritrix-1.12.1/src/resources/下面的三个文件(包括:arcMetaheaderBody.xsl、warcinfobody.xsl、README.txt,其中README.txt没有用处是显而易见的)拷贝到新建的工程Heritrix-1.12.1目录下面(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1)。

(4) 将目录E:/Heritrix/heritrix-1.12.1/heritrix-1.12.1/下面的webapps目录拷贝到新建工程Heritrix-1.12.1目录下面(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1),这里,webapps目录下面有两个WAR包(即admin.war和selftest.war)。

3、修改新建的Java Project工程(名称为Heritrix-1.12.1)的配置文件

(1) 打开目录D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1下面的.classpath文件,可以看到共有下面6行:

<?xml version="1.0" encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path="src"/>
<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="output" path="bin"/>
</classpath>

可以看到,新建Java Project工程(如我们的,名称为Heritrix-1.12.1)之后,src是资源目录,所以在Eclipse开发平台上,在src下面新建的资源目录呈包结构组织。kind属性指定工程中显示的资源目录,path指定了在该path(Eclipse默认为src)下的资源目录都呈包结构组织。

将上面的内容做很大的修改,修改内容如下所示:

<?xml version="1.0" encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path=""/>
<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="lib" path="lib/ant-1.6.2.jar"/>
<classpathentry kind="lib" path="lib/bsh-2.0b4.jar"/>
<classpathentry kind="lib" path="lib/commons-cli-1.0.jar"/>
<classpathentry kind="lib" path="lib/commons-codec-1.3.jar"/>
<classpathentry kind="lib" path="lib/commons-collections-3.1.jar"/>
<classpathentry kind="lib" path="lib/commons-httpclient-3.0.1.jar"/>
<classpathentry kind="lib" path="lib/commons-lang-2.1.jar"/>
<classpathentry kind="lib" path="lib/commons-logging-1.0.4.jar"/>
<classpathentry kind="lib" path="lib/commons-net-1.4.1.jar"/>
<classpathentry kind="lib" path="lib/commons-pool-1.3.jar"/>
<classpathentry kind="lib" path="lib/dnsjava-1.6.2.jar"/>
<classpathentry kind="lib" path="lib/fastutil-5.0.3-heritrix-subset-1.0.jar"/>
<classpathentry kind="lib" path="lib/itext-1.2.0.jar"/>
<classpathentry kind="lib" path="lib/jasper-compiler-tomcat-4.1.30.jar"/>
<classpathentry kind="lib" path="lib/jasper-runtime-tomcat-4.1.30.jar"/>
<classpathentry kind="lib" path="lib/javaswf-CVS-SNAPSHOT-1.jar"/>
<classpathentry kind="lib" path="lib/je-3.0.12.jar"/>
<classpathentry kind="lib" path="lib/jetty-4.2.23.jar"/>
<classpathentry kind="lib" path="lib/junit-3.8.1.jar"/>
<classpathentry kind="lib" path="lib/libidn-0.5.9.jar"/>
<classpathentry kind="lib" path="lib/mg4j-1.0.1.jar"/>
<classpathentry kind="lib" path="lib/poi-2.0-RC1-20031102.jar"/>
<classpathentry kind="lib" path="lib/poi-scratchpad-2.0-RC1-20031102.jar"/>
<classpathentry kind="lib" path="lib/servlet-tomcat-4.1.30.jar"/>
<classpathentry kind="output" path=""/>
</classpath>

其中:

上面的<classpathentry kind="src" path=""/>中,指定src为"",这表示,只要在该工程的根目录下面建的目录资源都呈现表结构组织;

上面的kind为lib,对应的就是我们拷贝到工程目录下面的lib(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1/lib),path的值就是该lib目录(绝对路径为D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1/lib)下面的所有的jar文件。

4、配置CLASSPATH

可以看到,目录E:/Heritrix/heritrix-1.12.1-src/heritrix-1.12.1/lib/目录下有26个JAR包(大小为8.13MB),如图所示:

这时,切换到Eclipse平台的窗口,刷新该新建的Java Project工程(名称为Heritrix-1.12.1),会发现出现了很多包结构,但是有很多红色错误的标记,如图所示:

这是因为还没有设置CLASSPATH。右键单击工程,选择【Build Path】—> 【Add External Archives】在弹出的窗口中选择添加目录E:/Heritrix/heritrix-1.12.1-src/heritrix-1.12.1/lib下面的26个jar包文件,如图所示:

现在可以看到,我们新疆的的Java Project工程(名称为Heritrix-1.12.1)中没有红色的错误标记了。

5、修改heritrix.properties属性文件

打开heritrix.properties属性文件,可以看到默认情况下,Heritrix-1.12.1的属性文件如下所示:

##############################################################################
# H E R I T R I X P R O P E R T I E S
##############################################################################

# Properties with 'heritrix.' or 'org.archive.crawler.' prefix get loaded
# into System.properties on startup so available via System.getProperties.

# Version is filled in by the maven.xml pregoal. It copies here the project
# currentVersion property.
heritrix.version = @VERSION@

# Location of the heritrix jobs directory.
heritrix.jobsdir = jobs

# Default commandline startup values.
# Below values are used if unspecified on the command line.
heritrix.cmdline.admin =
heritrix.cmdline.port = 8080
heritrix.cmdline.run = false
heritrix.cmdline.nowui = false
heritrix.cmdline.order =
heritrix.cmdline.jmxserver = false
heritrix.cmdline.jmxserver.port = 8081

上面四行红色标识的代码行,一般来说,需要修改。

第一行,heritrix.version指定了Heritrix的版本号,因为我们测试的是版本号为1.12.1,修改为:

heritrix.version = 1.12.1

第二行,heritrix.jobsdir指定了Heritrix在执行抓取任务时,抓取到的内容存放的目录,默认在工程下面的jobs目录下面。

第三行,heritrix.cmdline.admin指定了登录WebUI时使用的帐号,默认为空,可以自己随意设定,设定需要按照一定的格式(用户名:密码),我们修改为:

heritrix.cmdline.admin = shirdrn:maomao

其中,用户名和密码使用“:”分隔。

第四行,heritrix.cmdline.port指定了运行Heritrix后台程序,监听的WebUI使用的端口号,默认为8080端口,可以设置一个当前没有占用的端口号,比如我们修改为:

heritrix.cmdline.port = 8085

6、启动Heritrix后台程序

回到Eclipse平台窗口,找到新建的Java Project工程Heritrix-1.12.1中,资源包org.archive.crawler下面的Java类文件Heritrix.java,右键单击Heritrix.java文件,选择【Run As】—> 【Java Application】选项,便看见Heritrix后台已经启动了,在Eclipse控制台【Console】中可以看到启动过程的详细信息,如下所示:

信息的文本内容为,可以参考如下:

05:32:29.765 EVENT Starting Jetty/4.2.23
05:32:30.078 WARN!! Delete existing temp dir C:/DOCUME~1/ADMINI~1/LOCALS~1/Temp/Jetty_127_0_0_1_8085__ for WebApplicationContext[/,jar:file:/D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.12.1/webapps/admin.war!/]
05:32:30.625 EVENT Started WebApplicationContext[/,Heritrix Console]
05:32:31.093 EVENT Started SocketListener on 127.0.0.1:8085
05:32:31.093 EVENT Started org.mortbay.jetty.Server@179c285
Heritrix version: 1.12.1

7、登录WebUI

现在,可以成功登录WebUI,设置抓取任务了。

在浏览器地址栏中键入地址链接 http://localhost:8085,可以看到WebUI登录界面,如图所示:

使用前面的配置的帐户shirdrn:maomao就可以登录了,登录成功页面如下所示:

最后说明

Heritrix真正配置成功后,应该能够进行抓取任务。有的时候,上面的配置能够正常进行启动Heritrix后台程序,并且能够登录WebUI进行任务设置,但是抓取的时候就出问题了。问题可能是因为安装的时候配置有问题,也可能是在设置抓取任务的时候任务属性设置有问题

原创粉丝点击