Heritrix 和 Nutch 比较与分析(java开源网络爬虫)

Heritrix项目介绍
Heritrix工程始于2003年初,IA的目的是开发一个特殊的爬虫,对网上的资源进行归档,建立网络数字图书馆。在过去的6年里,IA已经建立了400TB的数据。 IA期望他们的crawler包含以下几种:

宽带爬虫:能够以更高的带宽去站点爬。
主题爬虫:集中于被选择的问题。
持续爬虫:不仅仅爬更当前的网页还负责爬日后更新的网页。
实验爬虫:对爬虫技术进行实验,以决定该爬什么,以及对不同协议的爬虫 爬行结果进行分析的。

Heritrix工作原理
Heritrix是一个爬虫框架,可加如入一些可互换的组件。它的执行是递归进行的,主要有以下几步:

  1. 在预定的URI中选择一个。
  2. 获取URI
  3. 分析,归档结果
  4. 选择已经发现的感兴趣的URI。加入预定队列。
  5. 标记已经处理过的URI

Heritrix主要有三大部件:范围部件,边界部件,处理器链
范围部件:主要按照规则决定将哪个URI入队。
边界部件:跟踪哪个预定的URI将被收集,和已经被收集的URI,选择下一个 URI,剔除已经处理过的URI。
处理器链:包含若干处理器获取URI,分析结果,将它们传回给边界部件
Heritrix的其余部件有:
WEB管理控制台:大多数都是单机的WEB应用,内嵌JAVA HTTP 服务器。 操作者可以通过选择Crawler命令来操作控制台。
Crawler命令处理部件:包含足够的信息创建要爬的URI。
Servercache(处理器缓存):存放服务器的持久信息,能够被爬行部件随时查到,包括IP地址,历史记录,机器人策略。
处理器链:
预取链:主要是做一些准备工作,例如,对处理进行延迟和重新处理,否决随后的操作。
提取链:主要是获得资源,进行DNS转换,填写请求和响应表单
抽取链:当提取完成时,抽取感兴趣的HTML,JavaScript,通常那里有新的也适合的URI,此时URI仅仅被发现,不会被评估
写链:存储爬行结果,返回内容和抽取特性,过滤完存储。
提交链:做最后的维护,例如,测试那些不在范围内的,提交给边 界部件
Heritrix 1.0.0包含以下关键特性:

  1. 用单个爬虫在多个独立的站点一直不断的进行递归的爬。
  2. 从一个提供的种子进行爬,收集站点内的精确URI,和精确主机。
  3. 主要是用广度优先算法进行处理。
  4. 主要部件都是高效的可扩展的

良好的配置,包括:

  1. 可设置输出日志,归档文件和临时文件的位置
  2. 可设置下载的最大字节,最大数量的下载文档,和最大的下载时间。
  3. 可设置工作线程数量。
  4. 可设置所利用的带宽的上界。
  5. 可在设置之后一定时间重新选择。
  6. 包含一些可设置的过滤机制,表达方式,URI路径深度选 择等等。


Heritrix的局限

  1. 单实例的爬虫,之间不能进行合作。
  2. 在有限的机器资源的情况下,却要复杂的操作。
  3. 只有官方支持,仅仅在Linux上进行了测试。
  4. 每个爬虫是单独进行工作的,没有对更新进行修订。
  5. 在硬件和系统失败时,恢复能力很差。
  6. 很少的时间用来优化性能。





爬虫信息
爬虫名称: Heritrix
爬行强度: 低
HTTP User Agent:
Mozilla/5.0 (compatible; heritrix/1.10.2 +/)

来访IP:171.64.75.233

对Heritrix爬虫进行控制
Heritrix被设计成严格遵循robots.txt文件的排除指示和META robots标签。


邀请Heritrix来访
如果你在在robots.txt中限制了部分爬虫,那么你可能需要在robots.txt中增加下述内容:

User-agent: Heritrix Disallow:


禁止Heritrix访问
如果你不希望Heritrix爬虫占用服务器资源,可以这样封锁它:

User-agent: Heritrix

Disallow: /

如果你仅仅不希望Heritrix爬行某些目录,则可以这样:

User-agent: Heritrix

Disallow: /somedir/



Heritrix 的架构示意图:


Heritrix 和 Nutch 比较与分析(java开源网络爬虫)_第1张图片


下面有一个heritrixProject.rar可以下来使用一些。。
运行org.archive.crawler.Heritrix 然后访问http://localhost:8080就可以了登入用户/密码为admin/admin


Heritrix和Nutch的差异:

  1. 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
  2. Nutch 可以修剪内容,或者对内容格式进行转换。
  3. 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。
  4. Nutch 从命令行运行、控制。Heritrix 有 Web 控制管理界面。
  5. 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。



Nutch 的架构示意图: 


Heritrix 和 Nutch 比较与分析(java开源网络爬虫)_第2张图片
  

 

 

下面是Nucth的运行流程图:


Heritrix 和 Nutch 比较与分析(java开源网络爬虫)_第3张图片

其中nutch的抓取模块在编制索引保存到索引库之后就算完成。

另外一个图,可能需要在熟悉nutch之后才能看懂:

 


Heritrix 和 Nutch 比较与分析(java开源网络爬虫)_第4张图片

 

 

 三个目录

首先理解nutch的三个数据目录:

1.crawdb ,linkdb 是web link目录,存放url 及url的互联关系,作为爬行与重新爬行的依据,页面默认30天过期。

2.segments 是主目录,存放抓回来的网页。页面内容有bytes[]的raw content 和 parsed text的形式。nutch以广度优先的原则来爬行,因此每爬完一轮会生成一个segment目录。

3.index 是lucene的索引目录,是indexs里所有index合并后的完整索引,注意索引文件只对页面内容进行索引,没有进行存储,因此查询时要去访问segments目录才能获得页面内容。

 


你可能感兴趣的:(JavaScript,java,工作,服务器,Lucene,网络爬虫)