Heritrix1.14源码分析(5) 如何让Heritrix在Ecplise等IDE下编程启动

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:

   

Java代码   收藏代码
  1. import java.io.File;  
  2. import javax.management.InvalidAttributeValueException;  
  3. import org.archive.crawler.event.CrawlStatusListener;  
  4. import org.archive.crawler.framework.CrawlController;  
  5. import org.archive.crawler.framework.exceptions.InitializationException;  
  6. import org.archive.crawler.settings.XMLSettingsHandler;  
  7.   
  8. public class StartHeritrixByEclipse {  
  9.   
  10.     public static void main(String[] args) throws InterruptedException {  
  11.         String orderFile = "D:/heritrix-jobs/startHeritrixByEclipse/order.xml";//order.xml文件路径  
  12.         File file = null;   //order.xml文件  
  13.           
  14.         CrawlStatusListener listener = null;//监听器  
  15.         XMLSettingsHandler handler = null;  //读取order.xml文件的处理器  
  16.         CrawlController controller = null;  //Heritrix的控制器  
  17.         try {  
  18.             file=new File(orderFile);  
  19.             handler = new XMLSettingsHandler(file);  
  20.             handler.initialize();//读取order.xml中的各个配置  
  21.   
  22.             controller = new CrawlController();//  
  23.             controller.initialize(handler);//从读取的order.xml中的各个配置来初始化控制器  
  24.   
  25.             if (listener != null) {  
  26.                 controller.addCrawlStatusListener(listener);//控制器添加监听器  
  27.             }  
  28.             controller.requestCrawlStart();//开始抓取  
  29.               
  30.             /* 
  31.              * 如果Heritrix还一直在运行则等待 
  32.              */  
  33.             while (true) {  
  34.                 if (controller.isRunning() == false) {  
  35.                     break;  
  36.                 }  
  37.                 Thread.sleep(1000);  
  38.             }  
  39.               
  40.             //如果Heritrix不再运行则停止  
  41.             controller.requestCrawlStop();  
  42.   
  43.         } catch (InvalidAttributeValueException e) {  
  44.             // TODO Auto-generated catch block  
  45.             e.printStackTrace();  
  46.         } catch (InitializationException e) {  
  47.             // TODO Auto-generated catch block  
  48.             e.printStackTrace();  
  49.         } catch (InterruptedException e) {  
  50.             // TODO Auto-generated catch block  
  51.             e.printStackTrace();  
  52.         }  
  53.   
  54.     }  
  55.   
  56. }  

 

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

你可能感兴趣的:(Heritrix1.14源码分析(5) 如何让Heritrix在Ecplise等IDE下编程启动)