使用Heritrix WebUI创建一个新的抓取任务

原文网址：http://hi.baidu.com/syimiaoa/blog/item/999e29f7934cdd26720eec84.html

heritrix默认使用8080端口，要保证系统端口没有冲突。之后便可以访问 http://127.0.0.1:8080 或http://localhost:8080 使用 heritrix 提供的WUI，即Web管理端。并且使用"admin/admin"登录。

 

 

 

 

［２］选Jobs选项，设置抓取页为http://news.sohu.com 具体设置如图：

图1: 处理链设置

           设置方法很简单，就是在下拉列表中选择好，点击Add添加即可。之后的设置可参考图中内容，要注意每一项处理器设置都是有顺序关系的。每一项的名称其实都揭示了其作用.
      
［３］ 选择Jobs菜单的“Settings”项进入运行参数设置页面 . 进入运行参数设置页面后，有很多可以设定的参数，对于需要了解详情的设置，请点击设置框左边的“？”号，可看到弹出的帮助信息。最简单的可只更改“HTTP-Header”项中的内容，更改其属性值“user-agent”和“from”。修改内容如图2：

图２ 运行参数设置中的“HTTP-Header”项

           图2中红色框内是修改前后对照。其中“user-agent”中的“PROJECT_URL_HERE”对应自己的完整URL地址，“from”中设置自己的合法email地址，这两项设置其实可随便设置，只要格式规则合法即可。图中的＠VERSION＠设置为1.12.1，即1.12.1版本的。
   ［４］ 设置完成后，点击如图３所示任务提交菜单项，即完成全部任务的建立工作。

           设置完成后，点击如图9所示任务提交菜单项，即完成全部任务的建立工作。

图３ 任务提交菜单

   ［５］运行任务
           通过提交设定好的任务，页面返回到Jobs的主菜单，可看到如图４画面：

图４ 任务已经建立

           在图４中，我们可以看到红色字说明一个任务已经被建立，在页面下方有任务的一些信息和设置菜单。此时点击左上角的“Console”菜单，返回主页面，看到如图５：

图４ 等待开始的任务

           按照图５中的红色说明，点击“Start”可以开始任务。如图５：

图５已经激活的任务

           点击左下角红色框标出的“Refresh”选项，可以刷新任务状态。图６是刚刚开始的任务状态：

图６ 刚刚开始的任务

在图６中，我们可以看到，要暂停当前任务可点击任务状态旁的选项“Pause”。

抓取页面会存放在我的工作目录下的mirror文件夹内，如图７：

 

 

 

图７抓取后的网站和文件保存结构

图７中可以看到，每一个站点的URL地址即为保存的目录名称，

其文件和对应的服务目录结构被保存到此目录下面。此处看出，Heritrix更像一个强大的网站下载工具。