网络爬虫-Heritrix 和 Nutch比较与分析

阅读更多

Heritrix 和 Nutch。二者均为Java开源框架，Heritrix 是 SourceForge上的开源产品，Nutch为Apache的一个子项目，它们都称作网络爬虫/蜘蛛（ Web Crawler），它们实现的原理基本一致：深度遍历网站的资源，将这些资源抓取到本地，使用的方法都是分析网站每一个有效的URI，并提交Http请求，从而获得相应结果，生成本地文件及相应的日志信息等。

下面是二者的介绍，摘自网络：

 

Heritrix 是个 "archival crawler" -- 用来获取完整的、精确的、站点内容的深度复制。包括获取图像以及其他非文本内容。抓取并存储相关的内容。对内容来者不拒，不对页面进行内容上的修改。重新爬行对相同的URL不针对先前的进行替换。爬虫通过Web用户界面启动、监控、调整，允许弹性的定义要获取的URL。

 

二者的差异：

 

• Nutch 只获取并保存可索引的内容。Heritrix则是照单全收。力求保存页面原貌
• Nutch 可以修剪内容，或者对内容格式进行转换。
• Nutch 保存内容为数据库优化格式便于以后索引；刷新替换旧的内容。而Heritrix 是添加(追加)新的内容。
• Nutch 从命令行运行、控制。Heritrix 有 Web 控制管理界面。
• Nutch 的定制能力不够强，不过现在已经有了一定改进。Heritrix 可控制的参数更多