Heritrix源码分析(四) 各个类说明(二)
?????本博客属原创文章,欢迎转载！转载请务必注明出处:http://guoyunsky.iteye.com/blog/632191
???? 本博客已迁移到本人独立博客: http://www.yun5u.com/
???????欢迎加入Heritrix群(QQ)：109148319,10447185 , Lucene/Solr群(QQ) :? 118972724?
?
?
?9.org.archive.crawler.fetcher
序号类说明1FetchDNS获取DNS数据,如IP2FetchFTP获取FTP数据3FetchHTTP获取HTTP数据4HeritrixHttpMethodRetryHandlerHTTP重试处理器,重新去连接HTTP?
?
10.org.archive.crawler.framework?序号?类?说明?1?AbstractTracker?统计器,统计抓取情况,父类，具体统计由子类实现?2?AlertManager?UI界面消息管理器,给用户显示爬虫相关消息，如一些异常情况?3?Checkpointer?备份器,定时备份Heritrix相关数据,如日志、BDB文件等?4?CrawlController?控制器,控制整个爬虫的启动、暂停、停止等,Heritrix的核心类?5?CrawlScope?URL范围管理器,如种子、哪些URL符合抓取哪些URL不符合抓取?6?Filter?过滤器,决定哪些URL可以抓取哪些不可以,父类,具体由子类实现?7?Frontier?调度器,对进来的URL进行调度，使其在接来下可以抓取?8?Processor?处理器,一个URL由不同的处理器(组件)合作完成,这个为处理器父类,不同的组件有不同的实现?9?ProcessorChain?处理器链,包含相同类型的处理器,如抽取URL的时候有从Html抽取的ExtractorHTML，从JavaScript抽取的ExtractorJs?10?ProcessorChainList?处理器链集合,包含多个处理器链,每个URL都会有这样一个处理器集合,使得先从该集合中获取处理器链,然后再从处理器链中获取每个处理器,最后让每个处理器都做他们的处理，完成整个抓取?11?Scoper?范围管理器,验证一个URL是否在用户配置(从order.xml中获取)的范围?12?StatisticsTracking?跟踪统计器,主要统计抓取情况,如宽带占用、抓取多少URL、抓取速度等，贯穿整个爬虫的运行?13?ToePool?线程池,用于管理爬虫线程?14?ToeThread?爬虫线程,代表着一个抓取,Heritrix的核心类,贯穿整个爬虫的运行，接下来会重点分析?15?WriterPoolProcessor?写处理器管理池,用于管理多个写处理器,可以在分布式中使用?
?
11.org.archive.crawler.frontier序号类说明1AbstractFrontier调度器基本实现类,Heritrix最复杂的地方之一，接下来会重点分析2BdbFrontierBDB调度器,用BDB数据库去管理所有的URL,如保存哪些待抓取的URL，哪些已经抓取的URL,Heritrix最复杂的地方之一，接下来会重点分析3BdbMultipleWorkQueues管理着所有的队列,所有的队列数据保存在BDB数据库中.Heritrix最复杂的地方之一，接下来会重点分析4BdbWorkQueue抓取队列由BDB存储管理,相同classkey的URL为一个队列.classkey由用户配置决定，Heritrix默认是相同host的URL就为一个队列.Heritrix最复杂的地方之一，接下来会重点分析5FrontierJournal调度器记录管理,记录调度器的每一次运行情况,如插入URL，插入失败URL等6HostnameQueueAssignmentPolicyURL ClassKey获得策略,Heritrix的默认策略，通过域名来获得URL的class key。然后相同的classkey存放相同的队列7IPQueueAssignmentPolicyURL ClassKey获得策略,这个策略是通过IP来获得URL的class key8QueueAssignmentPolicyURL ClassKey获得策略，该类是抽象类,不同的策略由不同的子类实现，如根据域名、IP等，用户可以自己扩展9RecoveryJournal管理着/logs/recover.gz，该文件记录所有的URL抓取情况，如抓取成功、失败都有不同的对应格式。该文件主要用于下次Heritrix恢复，如Heritrix异常中断重新启动Heritrix的话又会重新抓取，而如果基于该文件启动的话则会避免这个问题，同时对于上次异常中断而来不及抓取的URL都会优先抓取10RecyclingSerialBinding给每个线程分配的数据输出流管理器,里面用ThreadLocal来管理每个线程的数据输出流，如此可以节省大量重复序列化11WorkQueue代表着一个队列,抽象类,会有不同的子类实现，如由BDB存储数据的BdbWorkQueue,Heritrix最复杂的地方之一，接下来会重点分析12WorkQueueFrontier队列调度器,管理着所有的队列，里面用不同的类型管理着不同的队列，如不在活动状态队列：Queue<String> inactiveQueues.可以说是Heritrix中最为复杂最为关键的类,接下来会重重点分析