Heritrix之旅之CrawlController

一转眼暑假就快要结束了，暑假也是在趁着找工作之前花时间折研究了一下Heritrix，这段时间会花点时间把这块学习和心得来做一个总结，一方面对知识的夯实，另一方面也能对园子里面的朋友有所帮助。

Heritrix的一些介绍网上都有，我在这里也就不做介绍了，直接进入正题。

Heritrix抓取任务的核心类就是CrawlController,这个对象将决定一个抓取任务的开始和结束

//order.xml文件的封装	

private transient CrawlOrder order;

//	

private transient CrawlScope scope;

//处理链列表	

private transient ProcessorChainList processorChains;

//为抓取线程提供uri	

private transient Frontier frontier;



//线程池	

private transient ToePool toePool;



//缓存，保存了当前抓取任务抓取过的Host名称和Server名称	

private transient ServerCache serverCache;



// This gets passed into the initialize method.

	

private transient SettingsHandler settingsHandler;

上面这个图就是CrawlController和抓取过程中的几个关键的组件的关系图，CrawlController包含了这几个组件并对整个抓取进行管理

CrawlController的初始化是在initialize方法中完成的，根据传入的SettingsHandler得到抓取必须的参数，进行初始化,然后完成其他的一些必须的初始化工作。

二次开发的时候我们也可以自己完成这些过程，但是有几个必须的过程是必须要走的，首先就是需要构造一个XMLSettingsHandler对象，将order.xml信息装入，然后构造一个CrawlController对象，然后将XMLSettingsHandler放入到CrawlController的initialize方法中去，当完成上述工作之后，CrawlController就可以准备开始进行抓取了。

其实上述所说的过程就是Heritrix类中doOneCrawl方法的实现的过程，我们可以直接将order.xml的文件路径放入方法然后进行抓取

		XMLSettingsHandler handler = new XMLSettingsHandler(new File(

				crawlOrderFile));

		handler.initialize();

		CrawlController controller = new CrawlController();

		controller.initialize(handler);

		if (listener != null) {

			controller.addCrawlStatusListener(listener);

		}

		controller.requestCrawlStart();