Heritrix源码分析(九) Heritrix的二次抓取以及如何让Heritrix抓取你不想抓取的URL

前面说过Heritrix可以在某个抓取基础上(这里假设为A)继续抓取,因为Heritrix对每一个URL都会有相应的日志处理，同时还有checkpoint(备份中心)。所以只要通过A上的日志就可以完全按照该基础A继续抓取,不会重复抓取任何A抓过的任何东西,也会继续抓取A没有抓过的URL。做到这个有两种方法，一种是针对Web启动的,还有一种是针对我上次写的不通过Web启动的方式(启动方式见博客:Heritrix源码分析(五)
如何让Heritrix在Ecplise等IDE下编程启动).
1)下面介绍这两种启动方式,第一种，通过Web启动:
进入页面,选择：Jobs->Base on a recovery->然后再选择你要二次抓取的Job中的recover-log->然后再点击按钮Submit Job。之后回到Console页面，点击Start。之后就开始再你想要的基础上抓取了。你可以进入这个新建的抓取JOB下的logs目录，发现里面有个recover.gz大小跟你想要二次抓取JOB中的recover.gz大小一般大。以及你去查看该job下的order.xml中的<string name="recover-path"></string>中间的值发现就是你要二次抓取job下recover.gz的绝对目录
2)不通过Web方式启动:
这个相对简单,只要修改order.xml中<string name="recover-path">D:/recover.gz</string>,中间的值就是你想二次抓取的JOB中logs目录下recover.gz的绝对路径。
同时最好更新一下值为：

<boolean name="checkpoint-copy-bdbje-logs">true</boolean>

<boolean name="recover-retain-failures">false</boolean>

<boolean name="recover-scope-includes">false</boolean>

<boolean name="recover-scope-enqueues">false</boolean>
至于为什么要这样设置，请参考我关于order.xml介绍的博客：Heritrix源码分析(二) 配置文件order.xml介绍

同时可能你已经知道某些URL不需要抓取，比如从数据库导出来的，而这些URL你的Heritrix并没有处理过。所以这些外部的URL就无法通过以上两种办法导入Heritrix了。这里我写了个工具类，有两种方式，一种是你将URL都放在文件中，然后通过这个工具类从这个文件中读取这些URL(必须一行一个URL)，导入到Heritrix中。还有一种方法是针对数据库的，你只要提供相应的ResultSet以及该URL对应数据库的字段名，也可以导入Heritrix，下面贴上代码：


Java代码



import java.io.BufferedReader;

import java.io.File;

import java.io.FileInputStream;

import java.io.FileNotFoundException;

import java.io.IOException;

import java.io.InputStream;

import java.io.InputStreamReader;

import java.io.UnsupportedEncodingException;

import java.sql.Connection;

import java.sql.ResultSet;

import java.sql.SQLException;

import java.sql.Statement;



import org.archive.crawler.frontier.RecoveryJournal;



public class UrlToRecoverUtil {


/**

* 从文件中导入URl到recover.gz以便URL不再被抓取

*

* @param sourceFilePath URL来源文件

* @param sourceFileEncoding URL来源文件的编码

* @param recoverGzPath 要写到的recover.gz文件目录

* @param recoverGzFileName recover.gz文件名,可以为空

* @return

*/

public static boolean urlToRecoverUtilByFile(String sourceFilePath,String sourceFileEncoding,String recoverGzDir,String recoverGzFileName){


boolean result=false;




InputStream is=null;

InputStreamReader isr=null;

BufferedReader br=null;

File sourceFile=null;



String line=null;

RecoveryJournal recover = null;



try {

sourceFile=new File(sourceFilePath);



//recover.gz文件为空则采用默认名字

if(recoverGzFileName==null||recoverGzFileName.equals("")){


recoverGzFileName="recover.gz";

}

recover=new RecoveryJournal(recoverGzDir,recoverGzFileName);//构造recover.gz对象



//读取文件内容

is=new FileInputStream(sourceFile);

isr=new InputStreamReader(is,sourceFileEncoding);

br=new BufferedReader(isr);



//一行一行写入recover.gz文件

while((line=br.readLine().trim())!=null){


if(!line.equals("")){

recover.writeLine(RecoveryJournal.F_SUCCESS, line);

}



}

result=true;



} catch (FileNotFoundException e) {

e.printStackTrace();

} catch (UnsupportedEncodingException e) {

e.printStackTrace();

} catch (IOException e) {

e.printStackTrace();

}finally{

try {

if(recover!=null){


recover.close();

}

if(br!=null){


br.close();

}

if(isr!=null){


isr.close();

}

if(is!=null){


is.close();

}

} catch (IOException e) {

e.printStackTrace();

}



}



return result;

}

/**

* 从ResultSet结果集中获取URL导入到recover.gz以便URl不再被抓取

*

* @param rs ResultSet结果集

* @param filedName ResultSet结果集中要获取URL对应的字段名

* @param recoverGzDir 要写到的recover.gz文件目录

* @param recoverGzFileName recover.gz文件名,可以为空

* @return

*/

public static boolean urlToRecoverUtilByResultSet(ResultSet rs,String filedName,String recoverGzDir,String recoverGzFileName){


boolean result=false;




String line=null;

RecoveryJournal recover = null;



try {

if(recoverGzFileName==null||recoverGzFileName.equals("")){


recoverGzFileName="recover.gz";

}

recover=new RecoveryJournal(recoverGzDir,recoverGzFileName);

if(rs!=null){

while(rs.next()){

line=rs.getString(filedName).trim();

if(!line.equals("")){

recover.writeLine(RecoveryJournal.F_SUCCESS, line);

}



}

result=true;

}

} catch (SQLException e) {

e.printStackTrace();

} catch (IOException e) {

e.printStackTrace();

}finally{

try {

if(rs!=null){


rs.close();

}

if(recover!=null){


recover.close();

}

} catch (SQLException e) {

e.printStackTrace();

}

}



return result;

}







/**

* @param args

*/

public static void main(String[] args) {


/*

* 示例,从结果集中写入URL到recover.gz

*/

Connection con=null;

Statement stmt=null;

ResultSet rs=null;

String sql="SELECT CLASSIFY_INFO_URL FROM CLASSIFY_INFO";

boolean result=false;


try {

con=DatabaseUtil.getConnection_Mysql_CrawlServer_Local();//获取Connection

stmt=con.createStatement();

rs=stmt.executeQuery(sql);

result=urlToRecoverUtilByResultSet(rs,"CLASSIFY_INFO_URL","D:/HeritrixRecover/",null);


System.out.println("从结果集中导入URL到recover.gz文件:"+(result?"成功！":"失败！"));




} catch (SQLException e) {

// TODO Auto-generated catch block

e.printStackTrace();

}finally{

DatabaseUtil.closeConnection(con, stmt, rs);//关闭Connection、Statement、ResultSet

}





}



}


这个工具类其实主要也只是生成recover.gz文件。如果你采用Web方式启动，你只要找到一个你抓取过的JOB，然后用这个生成的recover.gz目录覆盖你找到job下logs目录中的recover.gz即可。而如果你采用非Web启动就更简单了，只要将order.xml中<string name="recover-path">D:/recover.gz</string>中的值改成你生成recover.gz绝对路径即可！