本文內(nèi)容：在MyEclipse7.0下配置Heritrix1.14.3，并修改源代碼實(shí)現(xiàn)抓取URL中含有指定字符串的所有網(wǎng)頁。并實(shí)現(xiàn)多線程下載。

1、首先下載heritrix-1.14.3.zip和heritrix-1.14.3-src.zip。將其全部解壓到當(dāng)前文件夾

\eritrix-1.14.3-src\和\heritrix-1.14.3\。

2、解壓heritrix-1.14.3中的heritrix-1.14.3.jar，得到目錄：heritrix-1.14.3。

3、將以上目錄的所有文件拷貝到heritrix-1.14.3-src\heritrix-1.14.3\src\java下。

4、將\heritrix-1.14.3-src\heritrix-1.14.3下的lib目錄拷貝到heritrix-1.14.3-src\heritrix-1.14.3\src\java下。

5、將heritrix-1.14.3-src\heritrix-1.14.3\src下的webapps目錄拷貝到heritrix-1.14.3-src\heritrix-1.14.3\src\java下，此時(shí)工程目錄基本完整。

6、在MyEclipse中新建一個(gè)Java Project,選擇從現(xiàn)有源代碼建立，源代碼路徑指向：heritrix-1.14.3-src\heritrix-1.14.3\src\java，命名為Heritrix，點(diǎn)擊OK。

7、接下來將jar包導(dǎo)入項(xiàng)目。右鍵單擊Heritrix項(xiàng)目，選擇Build Path->Configure Build Path,選中 Libraries選項(xiàng)，選擇Add External JARS，將lib下的所有jar包加入到Build Path。

8、在Window->Preference->Java->Compiler中，將Complier compliance level設(shè)為5.0，目的是為了使Heritrix編譯通過。否則Eclipse可能不認(rèn)assert這個(gè)關(guān)鍵字。

9、設(shè)置項(xiàng)目根目錄下的heritrix.properties文件，設(shè)置："heritrix.cmdline.admin=admin:admin"，也就是設(shè)置heritrix控制臺登錄的用戶名和密碼。找到/heritrix/org.archive.crawler/Heritrix.java右鍵點(diǎn)擊，選擇Run As Java Application,(不建議此時(shí)運(yùn)行，建議修改源碼完畢后再運(yùn)行)正常運(yùn)行時(shí)輸出如下信息：

06:15:52.312 EVENT Starting Jetty/4.2.23
06:15:53.781 EVENT Started WebApplicationContext[/,Heritrix Console]
06:15:53.937 EVENT The scratchDir you specified: E:\????\SearchEngingForDlut\heritrix-1.14.3-src\heritrix-1.14.3\src\java\target\jsp-compiled-development is unusable.
06:15:54.218 EVENT Started SocketListener on 127.0.0.1:8080
06:15:54.218 EVENT Started org.mortbay.jetty.Server@a01335
Heritrix version: 1.14.3

10、在瀏覽器中輸入http://localhost:8080/，用戶名、密碼都是"admin"，登陸之后就可以正常使用了，至此配置完畢。

下面修改Heritrix部分源碼，達(dá)到抓取URL中含有指定字符串的目的：如抓取URL字符串中含有"dlut"的所有網(wǎng)頁。

1、首先打開Heritrix/org.archive.crawler.postprocessor/FrontierScheduler.java，里面有一個(gè)方法：protected void schedule(CandidateURI caUri);這個(gè)方法是直接將當(dāng)前的候選連接加入到抓取隊(duì)列當(dāng)中了。因此我們可以構(gòu)造一個(gè)FrontierScheduler的派生類，對候選連接的內(nèi)容做一些判斷，保證抓取到的連接都是含有"dlut"的網(wǎng)址。

2、新建一個(gè)類，叫做FrontierSchedulerForDlut，派生于org.archive.crawler.postprocessor.FrontierScheduler類，

所屬的包為：org.archive.crawler.postprocessor。單擊Finish。代碼如下：

package org.archive.crawler.postprocessor;
import org.archive.crawler.datamodel.CandidateURI;
public class FrontierSchedulerForDlut extends FrontierScheduler {
public FrontierSchedulerForDlut(String name){
super(name);
}

protected void schedule(CandidateURI caUri){
String uri=caUri.toString();
if(uri.indexOf("dns:")!=-1){
getController().getFrontier().schedule(caUri);
}
else if(uri.indexOf("dlut")!=-1
&&(uri.indexOf(".html")!=-1
||uri.indexOf(".htm")!=-1
||uri.indexOf(".jsp")!=-1
||uri.indexOf(".asp")!=-1
||uri.indexOf(".aspx")!=-1)){
System.out.println(uri);
getController().getFrontier().schedule(caUri);

}
}
}

這里我們只抓取網(wǎng)頁，并且抓取的網(wǎng)頁中須含有dlut。
3、在modules文件夾中的Processor.options中添加一行"org.archive.crawler.postprocessor.FrontierSchedulerForDlut|FrontierSchedulerForDlut"的內(nèi)容。

4、取消robots.txt的限制：找到org.archive.crawler.prefetch保重的PreconditionEnforcer這個(gè)類，將方法considerRobotsPreconditions的全部代碼注釋掉，添加return false。

5、至此，可以實(shí)現(xiàn)抓取URL中含有"dlut"的所有網(wǎng)頁了，但為了使程序多線程運(yùn)行，還需修改HostNamesQueueAssignmentPolicy類的getClassKey方法。打開org.archive.crawler.frontier.HostnameQueueAssignmentPolicy這個(gè)類，修改其getClassKey方法，代碼如下：

public String getClassKey(CrawlController controller, CandidateURI cauri) {

String uri = cauri.getUURI().toString();

long hash = ELFHash(uri);

String a = Long.toString(hash % 100);

return a;

}

public long ELFHash(String str)

{

long hash = 0;

long x = 0;

for(int i = 0; i < str.length(); i++)

{

hash = (hash << 4) + str.charAt(i);

if((x = hash & 0xF0000000L) != 0)

{

hash ^= (x >> 24);

hash &= ~x;

}

}

return (hash & 0x7FFFFFFF);

}