Heritrix只爬取html、htm等特定页面

       Heritrix有5条链，网上有说在Extractor链里做处理，该链是抽取链，可以负责解析html页面的内容，然后进一步筛选。但是我目前只想通过判断后缀名筛选出html、htm、shtml、xshtml等文件。因此这样在Extractor里做处理就有点牛刀小用的意思，因此我在PostProcessor链里做处理。详细介绍如下：

       FronitierScheduler是一种PostProcessor，它的作用是将Extractor中分析得到链接加入到Froniter中，以供下一步处理（写文件处理等等）。

       具体方法：

       1.找到org.archive.crawler.postprocessor包下的FrontierScheduler.java文件

       2.找到FrontierScheduler类的protected void schedule(CandidateURI caUri)方法

       3.我的改写如下：
<span style="font-size:14px;"> protected void schedule(CandidateURI caUri) {
//将caUri转为String格式
  String url = caUri.toString();
//打印出来查看一下
 System.out.println("------" + url);
//剔除以特定后缀名结尾的URL
if(url.endsWith(".jpeg")
||url.endsWith(".jpg")
||url.endsWith(".gif")
||url.endsWith(".css")
||url.endsWith(".doc")
||url.endsWith(".zip")
||url.endsWith(".png")
||url.endsWith(".js")
||url.endsWith(".pdf")
||url.endsWith(".xls")
||url.endsWith(".rar")
||url.endsWith(".exe")
||url.endsWith(".txt")){
return;
}

//将未剔除的文件加入到下一步处理（写入到本地磁盘的处理等等）
 getController().getFrontier().schedule(caUri);

}</span>