Heritrix 架构

Heritrix项目介绍

Heritrix工程始于2003年初，IA的目的是开发一个特殊的爬虫，对网上的资源进行归档，建立网络数字图书馆。在过去的6年里，IA已经建立了400TB的数据。 IA期望他们的crawler包含以下几种：

宽带爬虫：能够以更高的带宽去站点爬。

主题爬虫：集中于被选择的问题。

持续爬虫：不仅仅爬更当前的网页还负责爬日后更新的网页。

实验爬虫：对爬虫技术进行实验，以决定该爬什么，以及对不同协议的爬虫 爬行结果进行分析的。

Heritrix工作原理

Heritrix是一个爬虫框架，可加如入一些可互换的组件。它的执行是递归进行的，主要有以下几步：

在预定的URI中选择一个。

获取URI

分析，归档结果

选择已经发现的感兴趣的URI。加入预定队列。

标记已经处理过的URI

Heritrix主要有三大部件：范围部件，边界部件，处理器链

范围部件：主要按照规则决定将哪个URI入队。

边界部件：跟踪哪个预定的URI将被收集，和已经被收集的URI，选择下一个 URI，剔除已经处理过的URI。

处理器链：包含若干处理器获取URI，分析结果，将它们传回给边界部件

Heritrix的其余部件有：
WEB管理控制台：大多数都是单机的WEB应用，内嵌JAVA HTTP 服务器。 操作者可以通过选择Crawler命令来操作控制台。

Crawler命令处理部件：包含足够的信息创建要爬的URI。

Servercache（处理器缓存）：存放服务器的持久信息，能够被爬行部件随时查到，包括IP地址，历史记录，机器人策略。

处理器链：
预取链：主要是做一些准备工作，例如，对处理进行延迟和重新处理，否决随后的操作。

提取链：主要是获得资源，进行DNS转换，填写请求和响应表单

抽取链：当提取完成时，抽取感兴趣的HTML，JavaScript，通常那里有新的也适合的URI，此时URI仅仅被发现，不会被评估

写链：存储爬行结果，返回内容和抽取特性，过滤完存储。

提交链：做最后的维护，例如，测试那些不在范围内的，提交给边 界部件

Heritrix 1.0.0包含以下关键特性：
用单个爬虫在多个独立的站点一直不断的进行递归的爬。

从一个提供的种子进行爬，收集站点内的精确URI，和精确主机。

主要是用广度优先算法进行处理。

主要部件都是高效的可扩展的

良好的配置，包括：

可设置输出日志，归档文件和临时文件的位置

可设置下载的最大字节，最大数量的下载文档，和最大的下载时间。

可设置工作线程数量。

可设置所利用的带宽的上界。

可在设置之后一定时间重新选择。

包含一些可设置的过滤机制，表达方式，URI路径深度选 择等等。

Heritrix的局限

单实例的爬虫，之间不能进行合作。

在有限的机器资源的情况下，却要复杂的操作。

只有官方支持，仅仅在Linux上进行了测试。

每个爬虫是单独进行工作的，没有对更新进行修订。

在硬件和系统失败时，恢复能力很差。

很少的时间用来优化性能。

爬虫信息

爬虫名称： Heritrix

爬行强度： 低

HTTP User Agent：

Mozilla/5.0 (compatible; heritrix/1.10.2 +http://i.stanford.edu/)

来访IP：171.64.75.233

对Heritrix爬虫进行控制

Heritrix被设计成严格遵循robots.txt文件的排除指示和META robots标签。

邀请Heritrix来访

如果你在在robots.txt中限制了部分爬虫，那么你可能需要在robots.txt中增加下述内容：

User-agent: Heritrix Disallow:

禁止Heritrix访问

如果你不希望Heritrix爬虫占用服务器资源，可以这样封锁它：

User-agent: Heritrix

Disallow: /

如果你仅仅不希望Heritrix爬行某些目录，则可以这样：

User-agent: Heritrix

Disallow: /somedir/

参考资料

官方网站

http://crawler.archive.org/ 关于Heritrix项目的官方信息

http://i.stanford.edu/ Heritrix爬虫的官方信息

外部链接

Template:5Heritrix Crawler vs. Nutch Crawler http://www.dbanotes.net/web/heritrix_crawler_vs_nutch_crawler.html 书籍

《开发自己的搜索引擎--Lucene 2.0+Heritrix》 介绍 在线阅读