Heritrix源码分析(八) Heritrix8个处理器(Processor)介绍

             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/643367

      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

 

      Heritrix采用多线程去抓取数据，每次运行基本都要经过以下8个处理器处理(种子URL、先决条件URL除外)，如此形成一整个流程。下面就大概介绍下每个处理器的作用以及大概处理的步骤。以后分析源码的时候再细节分析......

        8个处理器都继承org.archive.crawler.framework.Processor类，然后每个处理器都有自己的子类实现。同时相近处理器用org.archive.crawler.framework.ProcessorChain去管理,比如FetchDNS和FetchHTPP都用于获取网页内容,所以属于同一个ProcessorChain。这里8个处理器其实就是8个ProcessorChain，每个处理器用户都可以自己实现。而管理ProcessorChain同时又用ProcessorChainList去管理,不过这个相对简单。Heritrix通过配置文件order.xml中获取各个子类，然后通过反射将他们加入到每个要处理的URL中，然后在线程中迭代ProcessorChainList获得每个ProcessorChain，然后又迭代每个ProcessorChain获得每个Processor，最后运行Processor的子类，完成一整个处理流程。整个处理流程都以URL贯穿(Heritrix封装URL为CrawlURI和CandidateURI),对于每个处理器运行的结果都会更新到URL上,当然不一样的结果会有不一样的属性，以后会重点介绍CrawlURI和CandidateURI这两个类。下面就大概介绍下每个处理的作用以及大概的处理流程：

 

        1.Preselector 预选处理器,预先处理URL看其是否要继续处理,通过这个可以过滤一部分或者全部URL
                 1)<boolean name="block-all">false</boolean>,如果为true则表示阻止一切URL,接下来Heritrix不会运行任何抓取
                 2)<string name="allow-by-regexp"></string>,查看是否通过里面的正则表达式,通过则继续运行，如果不通过,该URL将不再会被处理
                 3）<string name="block-by-regexp"></string>,查看是否不通过里面的正则表达式,通过则URL不再会被处理,如果不通过则该URL会继续被处理

 

       2.PreconditionEnforcer 抓取先决条件处理器,先处理一些先要处理的URL,这里主要是该URL的DNS解析
                 1)先查看该URL是否有先决条件URL要处理,如果有的话先将该URL的先决条件URL放入调度器，而该URL将跳过PreconditionEnforcer处理器
                 2）如果以上该URL没有先决条件URL要处理,则运行以下环节:
                         i)先验证该URL的schema,如果不是http或者https则退出该处理器
                         ii)如果以上验证该shema是http或者https，则先验证该URL是否可以通过爬虫协议，如果没有通过爬虫协议则退出本处理器，反之则验证该URL自身是否是先决条件以及是否通过登录凭证，如果该URL自身不是先决条件URL并且没有通过登录凭证则也退出本处理器
  
        3.Fetch  获取处理链,主要用于获取网页内容,对于不同的shcema有不同的处理器，如针对DNS有FetchDNS，对于HTTP则是FetchHttp，这里依次介绍(如果该URL是种子URL这个处理链不会处理):
                 3.1 FetchDNS:获取DNS数据,这里采用第三方JAR包(dnsjava.jar)
                        1）首先获取该URL的DNS名字，然后通过DNS名字从缓存中获取CrawlHost
                         2）验证该URL的DNS名字是否通过第四代IP命名，如果不通过则退出本处理器
                         3）如果以上通过，则开始获取DNS数据，同时记录开始获取以及成功获取时间，最后将DNS数据保存在本地文件(scratch文件)以及更新该URL状态以及该URL的CrawlHost的IP、时间等数据
                 3.2 FetchHTTP: 获取HTTP数据，这里采用HttpClient包去获取,通过Heritrix也封装了该包
                        1）获取HTTP数据的前提是,该URL的schema为http或者https以及该URL所属的DNS数据已经获取，如果两者不具备则跳出本处理器
                       2）如果以上通过，则统计这个处理器处理的URL个数，以及开始获取HTTP内容，然后将内容保存在本地文件(scratch文件)

 

      4.ExtractorHTTP 抽取链,主要用于从URL内容中抽取出新的URL，这里只处理shcema为http或者https的url，针对不同的URL有不同的抽取器，如JS：ExtractorJS，CSS:ExtractorCSS，Html:ExtractorHTML，(如果该URL是种子URL这个处理链不会处理
          这里主要是通过正则表达式从网页文本内容中抽取出URL,主要是ExtractorHTML类

 

      5.WriterProcessor:写处理器,主要将从FetchHttp里获取的网页内容写入本机

      6.CrawlStateUpdater 抓取状态更新处理器，只针对http或者https
               1）计算该Server(一个DNS为一个Server)下连接错误的URL个数
               2）如果该URL为爬虫协议(http://xxx/robots.txt),则更新爬虫协议robots.txt

 

      7.LinksScoper 链接接范围验证处理器，主要验证该URL抽取出来的链接是否在范围
              1)  先验证该URL是否有先决条件URL要先处理,有的话先验证该先决条件URL是否在范围同时退出该处理器
              2） 如果以上没有先决条件URL要先处理，则获取该URL抽取到的链接，然后循环验证每个链接是否在范围，不在范围则过滤掉

 

      8.FrontierScheduler 调度处理器,将URL放入调度中心,以便接下来可以抓取
              1） 先验证该URL是否有先决条件URL要先处理,有的话则将该先决条件URL放入调度中心,同时退出该处理器
              2） 如果以上该URL没有先决条件URL要处理,则获取该URL抽取到的所有链接,循环将他们放入调度中心,以便下次可以抓取