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
?????????????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/644396
????? 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?
?
??????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：
??????
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 sourceFilePathURL来源文件 * @param sourceFileEncodingURL来源文件的编码 * @param recoverGzPath要写到的recover.gz文件目录 * @param recoverGzFileNamerecover.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 rsResultSet结果集 * @param filedNameResultSet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 recoverGzFileNamerecover.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Connectionstmt=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 blocke.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！
1 楼 zzzz3621 2011-12-14 <boolean name="checkpoint-copy-bdbje-logs">true</boolean>