开源爬虫框架Heritrix的初次使用

1. 使用Heritrix 爬取网络资源

1.1. 什么是网络爬虫

网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。

1.2. 下载安装Heritrix

Heritrix 是一个由 java 开发的、开源的网络爬虫，用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性，方便用户实现自己的抓取逻辑。

1) 创建java工程MyHeritrix。

2) 将heritrix-3.1.0-distheritrix-3.1.0lib下面的所有jar包拷贝至java工程MyHeritrix的lib目录。

3) 将heritrix-3.1.0-srcheritrix-3.1.0下面commons，engine，modules的源码拷贝至java工程MyHeritrix的src目录。

4) 运行入口类org.archive.crawler.Heritrix，右键run Configurations,参数如下图：

1.3. 配置Heritrix

使用 https://localhost:8443/，进入heritrix的管理页面

1.4. 开始爬取数据

1）点击"build"编译当前的配置。

2）点击"launch"按钮运行当前任务至挂起状态，如果job已经运行，则先点击"teardown"按钮；

3）这时任务处于挂起状态，unpause按钮不可用，需要刷新页面，然后点击"unpause"即立即启动任务。

2. 使用jsoup解析html文件

2.1. jsoup简介

jsoup 是一款Java 的HTML解析器，可直接解析某个URL地址、HTML文本内容。它提供了一套非常省力的API，可通过DOM，CSS以及类似于jQuery的操作方法来取出和操作数据。具体api可以参考下面的链接。

http://www.open-open.com/jsoup/selector-syntax.htm

2.2. 编写HtmlParser.java

按照下面html页面的内容，摘取tile，keywords，description，canonical信息保存至对应文件中。

递归调用parserHtml方法，解析所有的html文件

测试效果，可以发现爬取的html都被解析成我们想要的文件了：

版权付亚东笔记博客所有，禁止转载！！付亚东Java笔记博客