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：
- 在预定的URI中选择一个。
- 获取URI
- 分析，归档结果
- 选择已经发现的感兴趣的URI。加入预定队列。
- 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：
- 用单个爬虫在多个独立的站点一直不断的进行递归的爬。
- 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。
- 主要是用广度优先算法进行处理。（http://www.my400800.cn ）
- 主要部件都是高效的可扩展的
良好的配置，包括：
- 可设置输出日志，归档文件和临时文件的位置
- 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。
- 可设置工作线程数量。
- 可设置所利用的带宽的上界。
- 可在设置之后一定时间重新选择。
- 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
- 单实例的爬虫，之间不能进行合作。
- 在有限的机器资源的情况下，却要复杂的操作。
- 只有官方支持，仅仅在Linux上进行了测试。
- 每个爬虫是单独进行工作的，没有对更新进行修订。
- 在硬件和系统失败时，恢复能力很差。
- 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 +http://www.my400800.cn /)
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：
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：
- 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
- Nutch 可以修剪内容，或者对内容格式进行转换。
- 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。
- Nutch 从命令行运行、控制。Heritrix 有 Web 控制管理界面。
- 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：
下面是Nucth的运行流程图：
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：
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。