Heritrix架构剖析

阅读更多

Heritrix采用了模块化的设计，它由一些核心类（core classes）和可插件模块（pluggable modules）构成。
核心类可以配置，但不能被覆盖，插件模块可以被由第三方模块取代。

(一)heritrix的体系结构图:

(二)架构分析

CrawlController（下载控制器）
整个下载过程的总的控制者，整个抓取工作的起点，决定整个抓取任务的开始和结束。从Frontier获取URI，传递给
线程池（ToePool）中的ToeThread处理。

Frointier(边界控制器)
主要确定下一个将被处理的URI，负责访问的均衡处理，避免对某一web服务器造成太大的压力。
它保存着crawl的状态：
（1）发现的URI（URIs have been discovered）
（2）正在被处理的URI（URIs are being processed (fetched)）
（3）已经处理的URI（URIs have been processed）

TeoThread(处理线程)
Heritrix是多线程的，每一个URI被一个ToeThread处理。

Processor(处理器)

下图为处理器的整个结构图

许多Processor组成一个处理链（processor chains）中,每一个处理链对URI进行一系列的处理。
(1)Pre-fetch processing chain(预处理链)
主要根据robot协议，DNS以及下载范围控制信息判断当前URI是否应当处理。
(2)Fetch processing chain（抓取处理链）
从远程服务器获取数据
(3) Extractor processing chain（抽取处理链）
从网页中抽取新的URI
(4)Write/index processing chain（写处理链）
负责把数据写入本地磁盘
(5)Post-processing chain（后置处理链）
由CrawlStateUpdater，LinksScoper，FrontierScheduler构成。