Heritrix源码分析(十一) Heritrix中的URL--CandidateURI和CrawlURI以及如何增加自己的属性

                  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/649889  

       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 

 

     Url是爬虫的核心,因为爬虫就是依赖URL一层一层的抓取下去，最后完成整个抓取。Heritrix中的URL比较特殊,有以下继承关系(由于不对继承关系作介绍,所以这里就不画图了):

          1)org.archive.crawler.datamodel.CrawlURI——>CandidateURI

          2)org.archive.net.UURI——>org.archive.net.LaxURI

                                                          ——>org.apache.commons.httpclient.URI——>java.net.URL

          前面说过CrawlURI和CandidateURI的区别在于CrawlURI是由通过了调度器(Frontier)的CandidateURI转换而来的。下面就先介绍CnadidateURI(主要介绍相关属性):

         

public static final int HIGH = 1;	               //调度器调度等级：高
public static final int HIGHEST = 0;          //调度器调度等级:最高
public static final int MEDIUM = 2;	//调度器调度等级:中
public static final int NORMAL = 3;	//调度器调度等级：普通
//URL字符串
private String cachedCandidateURIString = null;

//队列Key,不同队列有不同的classKey.其中相同classKey的CandidateURI则属于相同的队列
private String classKey; 

//是否强制访问,强制访问的话会重复抓取
private boolean forceRevisit = false;
// 是不是种子
private boolean isSeed = false; 
/**
 * 灵活的属性列表,Heritrix在运行过程中需要保存不固定的属性和属性值,
  *同时扩展Heritrix属性 也可以放在里面。不过需要特殊处理，等下单独介绍
 */
private transient AList alist;

/**
  * 该值代表当前CandidateURI是如何从种子那里生成的,有如下生成方式：
  * P:预先处理URL,一般是DNS,如DNS:www.baidu.com
   * R:重定向URL
   * E:嵌入式URL，如Frame、src等
  * X:特殊嵌入式URL,如JS中的URL
   * L:一般意义上的URL，如<a href="www.baidu.com">
   * 该属性除了可以记录从种子那来源方式的话同时还可以记录深度,因为
  * 该值是一层一层传递，每传递一层则增加一个以上字符.如此通过长度
  * 可以判断当前URL属于种子的第几层从而做到控制抓取深度, 如果当
  * 前CandidateURI是种子,则该值为null
   */
 private String pathFromSeed;

private int schedulingDirective = NORMAL; // 调度等级,默认为普通
private transient UURI uuri;	      //URL			
private transient UURI via;	      //来源URL
private CharSequence viaContext;//来源URL内容

 

下面再介绍一下CrawlURI相关属性,前面说过CrawlURI和CandidateURI最大区别就是CrawlURI通过了调度器,这也就意味着CrawlURI会进入队列抓取,如此CrawlURI就会相比CandidateURI对很多属性来记录抓取情况,如处理器，下面请看代码以及注释:

//数组用户保存alist成员的key，使得URI处理期间可以持久化访问.这个list中的所有的key在传递下去的处理链 后面都不会被清理掉
private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>(
		new String[] { A_CREDENTIAL_AVATARS_KEY });
// 一个CrawlURI所允许的最大外链接数(就是该CrawlURI本身网页里所包含的链接数)，默认为6000
public static final int MAX_OUTLINKS = Integer.parseInt(System.getProperty(
		CrawlURI.class.getName() + ".maxOutLinks", "6000"));
// 放弃的外链接个数(当一个URL抽取出来的链接数超过MAX_OUTLINKS时就放弃,然后本变量累加)
transient private int discardedOutlinks = 0;

public static final int UNCALCULATED = -1; //网页内容长度,默认值	
private String cachedCrawlURIString = null; //缓存的URL	
private byte[] contentDigest = null; //网页内容指纹,对内容进行MD5值,该对象可以用于对比该URL是否有更新
private String contentDigestScheme = null; // 记录网页内容所采用算法，从配置文件里配置	
private long contentLength = UNCALCULATED; //相应内容长度	
private long contentSize = UNCALCULATED; //网页内容大小	
private String contentType = null; //网页内容类型	
private int deferrals = 0; 		//从先决条件URL延迟数

private int fetchAttempts = 0;	// 获取URL的个数
private int fetchStatus = 0;    //获取URL内容状态,默认为0,表示没有尝试过	
transient Object holder;  		// 所属的队列(WorkQueue)
int holderCost = UNCALCULATED; 	//成本
transient Object holderKey;  	//所属队列的classkey
private transient HttpRecorder httpRecorder = null;	//记录网页内容	
transient private boolean linkExtractorFinished = false; //抽取是否成功,如果成功则该URL不会再被抽取
transient private Processor nextProcessor; // 下一个处理器
transient private ProcessorChain nextProcessorChain;// 下一条处理链	
protected long ordinal; //Crawl自增数目,用于广度优先抓取
transient Collection<Object> outLinks = new HashSet<Object>();	 //该URL抽取到的所有的连接
private boolean post = false; // 提交url是否post，对应HttpClient的HttpPost
private boolean prerequisite = false; //是否有优先URL要处理，一般是DNS
transient private int threadNumber;	//线程个数
private String userAgent = null;	//用户代理,表名当前身份
@Deprecated
private int embedHopCount = UNCALCULATED; 
@Deprecated
private int linkHopCount = UNCALCULATED; // 跃点数,表示来自种子的第几层,该值可以控制抓取深度

        

    同时很多人在使用Heritrix的时候需要增加自己的属性,我之前也有这样的需求。不过那时是直接修改源代码增加几个属性,然后在抽取的时候将新的属性赋给抽取出来的URL即可。后来才发现完全没有这个必要,Heritrix已经提供了这样一个功能，可以自定义放入各种属性和属性值。同时Heritrix自己在运行过程中也是如此,把一些会动态变化的属性放入其中,如HttpStatus Code。下面就介绍下其相关原理以及如何使用这个功能:

     1)原理：

               CandidateURI里面有一个属性private transient AList alist;该属性实际上是一个HashTable,其中Key为属性,Value为属性值。如此一致贯穿整个抓取，可以随时动态读写。但由于该属性是transient,也就意味着HashTable里面的值不会被持久化，所以Heritrix在CrawlURI里面引入一个个变量来记录HashTable中需要持久化的Key,也就是我们所要持久化的属性了：private static final List<Object> alistPersistentMember = new CopyOnWriteArrayList<Object>( new String[] { A_CREDENTIAL_AVATARS_KEY });该属性类型为CopyOnWriteArrayList,也就是专门用于复制写的List,里面存放需要持久化的Key。所以当你需要某个HashTable中的某个Key持久化的时候，只需要在该变量里添加即可。

      2)使用方法:

             1.存放属性和属性值,变量可以按多种类型存放:                

//放入类型为Int的值
public void putInt(String key, int value) {
	getAList().putInt(key, value);
}
//放入类型为Long的属性值
public void putLong(String key, long value) {
	getAList().putLong(key, value);
}
//放入类型为Object的属性值
public void putObject(String key, Object value) {
	getAList().putObject(key, value);
}
//放入类型为String的属性值
public void putString(String key, String value) {
	getAList().putString(key, value);
}

           2.获得属性和属性值：

//获得属性的值,该值为Int类型
public int getInt(String key) {
	return getAList().getInt(key);
}
//获得属性的值,该值为Long类型
public long getLong(String key) {
	return getAList().getLong(key);
}
//获得属性的值,该值为Object类型
public Object getObject(String key) {
	return getAList().getObject(key);
}
//获得属性的值,该值为String类型
public String getString(String key) {
	return getAList().getString(key);
}

            3.查看是否包含某个属性:

//查看是否包含某个属性
public boolean containsKey(String key) {
	return getAList().containsKey(key);
}

           4.获得所有的属性:

//返回所有的属性值
public Iterator keys() {
	return getAList().getKeys();
}

           5.让某个属性持久化:

public void makeHeritable(String key) {
	@SuppressWarnings("unchecked")
	List<String> heritableKeys = (List<String>) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		heritableKeys = new ArrayList<String>();
		heritableKeys.add(A_HERITABLE_KEYS);
		putObject(A_HERITABLE_KEYS, heritableKeys);
	}
	heritableKeys.add(key);
}

           6.让某个属性不持久化:

public void makeNonHeritable(String key) {
	List heritableKeys = (List) getObject(A_HERITABLE_KEYS);
	if (heritableKeys == null) {
		return;
	}
	heritableKeys.remove(key);
	if (heritableKeys.size() == 1) {
		// only remaining heritable key is itself; disable completely
		remove(A_HERITABLE_KEYS);
	}
}

 

          以上6个介绍完全可以让你扩展自己的属性以及让他们持久化，如果还有其他问题,请留言，或者加入群：10447185