Heritrix源码分析(五) 如何让Heritrix在Ecplise等IDE下编程启动

http://guoyunsky.iteye.com/blog/642550

 

      在Heritrix注释里说Heritrix有三种启动方式,但我感觉只有两种：一种是通过tomcat或者JBOSS或者Jetty等Web容器，还有一种自然就是不通过Web直接编程运行。由于第二种方式更适合调试、研究代码，所以这里就介绍下它的编程启动方式吧....这里贴上示例代码以及注释：

   import java.io.File;

import javax.management.InvalidAttributeValueException;
import org.archive.crawler.event.CrawlStatusListener;
import org.archive.crawler.framework.CrawlController;
import org.archive.crawler.framework.exceptions.InitializationException;
import org.archive.crawler.settings.XMLSettingsHandler;

public class StartHeritrixByEclipse {

	public static void main(String[] args) throws InterruptedException {
		String orderFile = "D:/heritrix-jobs/startHeritrixByEclipse/order.xml";//order.xml文件路径
		File file = null;	//order.xml文件
		
		CrawlStatusListener listener = null;//监听器
		XMLSettingsHandler handler = null;	//读取order.xml文件的处理器
		CrawlController controller = null;	//Heritrix的控制器
		try {
			file=new File(orderFile);
			handler = new XMLSettingsHandler(file);
			handler.initialize();//读取order.xml中的各个配置

			controller = new CrawlController();//
			controller.initialize(handler);//从读取的order.xml中的各个配置来初始化控制器

			if (listener != null) {
				controller.addCrawlStatusListener(listener);//控制器添加监听器
			}
			controller.requestCrawlStart();//开始抓取
			
			/*
			 * 如果Heritrix还一直在运行则等待
			 */
			while (true) {
				if (controller.isRunning() == false) {
					break;
				}
				Thread.sleep(1000);
			}
			
			//如果Heritrix不再运行则停止
			controller.requestCrawlStop();

		} catch (InvalidAttributeValueException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} catch (InitializationException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		} catch (InterruptedException e) {
			// TODO Auto-generated catch block
			e.printStackTrace();
		}

	}

}

 这里可以发现，其实只要知道一个order.xml路径就可以开始抓取了(同时还要seeds.txt种子文件),至于order.xml如何配置可以查看我前面的博客:http://guoyunsky.iteye.com/admin/blogs/613412