我觉得Heritrix很直观的一点就是有控制台,但以前我忽略了这个功能,直接代码启动Heritrix,然后放在Tomcat里.后期才慢慢发现一个UI界面的价值.可以很方便的获知抓取情况,甚至完全在千里之外控制它的抓取.其实慢慢的发现很多开源框架都会有一个UI界面.我觉得这也是大势所趋.但在界面上Heritrix3.0也改动很大,以前采用JSP,所以需要Servlet容器.而Heritrix3.0则通过Rest,我现在还是没完全体会到Rest的好处.虽然在做开放平台,也要用到Rest.以后在慢慢挖掘.
界面从上而下,截图会表明以下的编号(以后补上)…
1. Job test-job (8 launches, last 13h45m ago )
test-job job名
8 launches 载入8次
last 13h45m ago 上一次载入的时间是13h45m,也就是13小时45分钟
2. 7个按钮,build,launch,pause,unpause,checkpoint,terminate,teardown
1) Build:从无到有创建一个抓取任务
2) Launch:载入一个抓取任务,该抓取任务必须先存在.配置好了的话,可以在该抓取任务基础上进行增量抓取.
3) Pause:暂停抓取任务.不会立即停止,要各个线程
4) Unpause:重启抓取
5) Checkpoint:如同数据库的checkpoint,备份一个抓取任务.备份时会暂停
6) Terminate:终止抓取任务.
7) Teardown:Heritrix3.0可以运行多个抓取任务,点击该按钮后,当前任务会从多个任务中删除.
3. configuration: .\jobs\yunjiaoyu-dearedu\crawler-beans.cxml [edit]
点击可以修改和查看配置文件crawler-beans.cxml
4. Job Log (more)
抓取任务运行日志,一般记录当前Job的build,launch,pause等时间.如果配置文件crawler-beans.cxml有错误,也会记录在该日志中.点击more可以查看更多.
5. Job is Active: RUNNING
Job当前运行状态
1) RUNNING:运行中
2)
6. Totals
118715 downloaded + 88955 queued = 207674 total
11 GiB crawled (11 GiB novel, 0 B dup-by-hash, 0 B not-modified)
抓取统计,
1) 118715 downloaded:已下载的URL个数,这里的下载是获取了网页内容的URL个数,而非写入硬盘.
2) 88955 queued:队列中还等待抓取的URL个数.
3) 207674 total:一共处理的URL个数,也就是118715 downloaded+88955 queued
4) 11 GiB crawled:已获取所有网页内容的字节数
5) 11 GiB novel:所有一般网页内容字节数
6) 0 B dup-by-hash:通过URL hash去重的字节数
7) 0 B not-modified:通过http header中last modified对比,表示网页无更新.所有该网页的字节数
7. Alerts
none
通知,一般是一些异常信息.
8. Rates
1.49 URIs/sec (2.3 avg); 35 KB/sec (222 avg)
抓取速度:
1) 1.49 URIs/sec (2.3 avg):其中1.49 URIs/sec表示当前是每秒平均抓取1.49个URL, 2.3 avg是平均抓取2.3个URL
2) 35 KB/sec (222 avg):其中35 KB/sec表示当前每秒抓取35K, 222 avg表示平均抓取速度是222K/秒
9. Load
4 active of 50 threads; 1 congestion ratio; 20678 deepest queue; 12707 average depth
负载情况:
1) 4 active of 50 threads:50个线程里有4个是活跃的
2) 1 congestion ratio:堵塞率为1
3) 20678 deepest queue:最深的队列为20678,也就是说该队列有20678个URL
4) 12707 average depth:队列平均深度为12707
10. Elapsed
14h21m40s133ms
抓取用时,这里是14小时21分钟40秒133毫秒
11. Threads
50 threads: 44 ABOUT_TO_GET_URI, 6 ABOUT_TO_BEGIN_PROCESSOR; 44 , 6 fetchHttp
线程运行状态.
1) 50 threads: 50个线程
2) 44 ABOUT_TO_GET_URI:44个线程正在等待获取URL去抓取(温柔抓取)
3) 6 ABOUT_TO_BEGIN_PROCESSOR:6个线程开始处理
4) 44 , 6 fetchHttp:44和6号线程正在运行fetchHttp处理器
12. Frontier
16 URI queues: 10 active (6 in-process; 0 ready; 4 snoozed); 0 inactive; 0 ineligible; 0 retired; 6 exhausted [RUN: 0 in, 0 out]
调度器运行状态:
1) 16 URI queues:一共有16个队列
2) 10 active(6 in-process; 0 ready; 4 snoozed):有10个队列处于活动状态中,其中6个正在处理,0个正在准备,4个睡眠中(抓取过快,需要暂停响应的时间)
3) 0 inactive:0个处于未活动状态中
4) 0 ineligible:0个队列为不合格队列
5) 0 retired:0个队列为重试队列
6) 6 exhausted [RUN: 0 in, 0 out]:6个队列已经耗尽,如抓取完毕,或抓取URL限制已经达到
13. Memory
419129 KiB used; 989888 KiB current heap; 989888 KiB max heap
内存是使用情况:
1) 419129 KiB used:419129K正在使用
2) 989888 KiB current heap:当前为989888K
3) 989888 KiB max heap:最大为989888K
14. Crawl Log more
对应crawl.log,记录每一个URL的运行情况.
15. Reports
CrawlSummary Seeds Hosts SourceTags Mimetypes ResponseCode Processors FrontierSummaryToeThreads
报表.
1) CrawlSummary:总体情况,如已抓取种子数,URL处理数,下载数,下载字节数等
2) Seeds:列出每个种子的抓取情况,如状态,重定向等
3) Hosts:每个host抓取情况.如该host的URL个数,抓取字节数,剩下要抓取的URL数量等
4) SourceTags:对应seedModule中的sourceTags配置
5) Mimetypes:对应http-header中的Content-Type.统计不同类型的URL数,抓取字节数
6) ResponseCode:对应http response code的统计,统计不同response code的URL个数,
7) Processors:各个处理器链ProcessorChain中的各个处理器Processor,以及处理器处理的处理URL个数基本情况
8) FrontierSummary:调度器报表,一般人看不懂,接下来会着重说明
9) ToeThreads:每个线程的当前运行情况,可以看出每个URL运行到哪一步
16. Files
Browse Job Directory
浏览当前Job下的所有文件,但只能读,不能修改.
17. Configuration-referenced Paths
当前Job所引用的文件路径,每个文件,可以点击进去查看.
18. Advanced
Scripting console
Browse beans
增强功能.
1) Scripting console 脚本控制台,可以输入脚本去控制和获取Heritrix抓取,很有意思.日后会着重说明.这也是Heritrix3.0为什么一定要基于JDK6的原因.
2) Browse beans:浏览Bean,可以动态浏览和修改每个Bean,如此也可以动态修改Heritrix的抓取.的确很强悍!
19. Copy
Copy job to
as profile
拷贝当前bean,备份需要.