eclipse中配置heritrix的过程----heritrix-1.14.4

最新推荐文章于 2014-04-24 23:01:35 发布

转载最新推荐文章于 2014-04-24 23:01:35 发布 · 2k 阅读

主题爬虫专栏收录该内容

6 篇文章

订阅专栏

本文介绍Heritrix 1.14.4的配置流程，涵盖Java Project工程创建、Heritrix文件集成、配置文件修改等内容，并解决了常见配置问题。

将heritrix-1.14.4-src和heritrix-1.14.4两个压缩文件解压<?xml:namespace prefix = o ns ="urn:schemas-microsoft-com:office:office" />

配置过程：

1、新建Java Project工程

在Eclipse中新建一个Java Project工程(注意：一定是Java Project的工程，不是Web Project工程)，工程名称为Heritrixproject。（名字可随便起）

以我的为例，对应地，工程Heritrixproject在本地磁盘目录D:\eclipse-SDK-3.2.1-win32\workspace下面。

可以在目录D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject下面看到：两个工程属性文件.classpath和.project。

2、向新建的Java Project添加Heritrix-1.14.4文件

(1) 将目录E:\Heritrix\heritrix-1.14.4-src\heritrix-1.14.4\src\java\下面的三个目录：org、com、st一起拷贝到新建工程Heritrixproject目录下面(绝对路径为D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject)。

(2) 将目录E:\Heritrix\heritrix-1.14.4-src\heritrix-1.14.4\src\conf\下面的：三个目录(包括：modules、profiles、selftest)，以及四个文件(包括：heritrix.properties、jmxremote.password.template、heritrix.cacerts、jndi.properties)一起拷贝到新建的工程Heritrixproject目录下面。

(3) 将目录E:\Heritrix\heritrix-1.14.4-src\heritrix-1.14.4\src\resources\下面的三个文件(包括：arcMetaheaderBody.xsl、README.txt，其中README.txt没有用处是显而易见的)拷贝到新建的工程Heritrixproject目录下。

(4) 将目录E:\Heritrix\heritrix-1.14.4\heritrix-1.14.4\下面的webapps目录拷贝到新建工程Heritrixproject目录下面(绝对路径为D:\eclipse-SDK-3.2.1-win32\workspace\Heritrix-1.14.4)，这里，webapps目录下面有两个WAR包(即admin.war和selftest.war)。

(5)将E:\Heritrix\heritrix-1.14.4\heritrix-1.14.4\下的lib文件夹拷贝到工程下。

3、修改新建的Java Project工程的配置文件

(1) 打开目录D:\eclipse-SDK-3.2.1-win32\workspace\Heritrixproject下面的.classpath文件，可以看到共有下面6行：

<?xml version="1.0"encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path="src"/>
<classpathentry kind="con"path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="output" path="bin"/>
</classpath>

可以看到，新建Java Project工程之后，src是资源目录，所以在Eclipse开发平台上，在src下面新建的资源目录呈包结构组织。kind属性指定工程中显示的资源目录，path指定了在该path(Eclipse默认为src)下的资源目录都呈包结构组织。

将上面的内容做很大的修改，修改内容如下所示：(注意：这个地方里面的lib下的jar就是拷贝到工程下lib里面的jar。如果你用的最新版本的可能与这个jar文件不一样，这个你就要做相应的修。此时的最新版本为heritrix-1.14.4)

<?xml version="1.0"encoding="UTF-8"?>

<classpathentrypath="" kind="src"/>

<classpathentrypath="org.eclipse.jdt.launching.JRE_CONTAINER"kind="con"/>

<classpathentrypath="lib/ant-1.6.2.jar" kind="lib"/>

<classpathentrypath="lib/bsh-2.0b4.jar" kind="lib"/>

<classpathentrypath="lib/commons-cli-1.0.jar" kind="lib"/>

<classpathentrypath="lib/commons-codec-1.3.jar" kind="lib"/>

<classpathentrypath="lib/commons-collections-3.1.jar" kind="lib"/>

<classpathentrypath="lib/commons-httpclient-3.1.jar" kind="lib"/>

<classpathentrypath="lib/commons-io-1.3.1.jar" kind="lib"/>

<classpathentrypath="lib/commons-lang-2.3.jar" kind="lib"/>

<classpathentrypath="lib/commons-logging-1.0.4.jar" kind="lib"/>

<classpathentrypath="lib/commons-net-2.0.jar" kind="lib"/>

<classpathentrypath="lib/commons-pool-1.3.jar" kind="lib"/>

<classpathentrypath="lib/dnsjava-2.0.3.jar" kind="lib"/>

<classpathentrypath="lib/fastutil-5.0.3-heritrix-subset-1.0.jar"kind="lib"/>

<classpathentrypath="lib/itext-1.2.0.jar" kind="lib"/>

<classpathentrypath="lib/jasper-compiler-tomcat-4.1.30.jar"kind="lib"/>

<classpathentrypath="lib/jasper-runtime-tomcat-4.1.30.jar" kind="lib"/>

<classpathentrypath="lib/javaswf-CVS-SNAPSHOT-1.jar" kind="lib"/>

<classpathentrypath="lib/je-3.3.82.jar" kind="lib"/>

<classpathentrypath="lib/joda-time-1.6.jar" kind="lib"/>

<classpathentrypath="lib/jetty-4.2.23.jar" kind="lib"/>

<classpathentrypath="lib/jets3t-0.5.0.jar" kind="lib"/>

<classpathentrypath="lib/junit-3.8.2.jar" kind="lib"/>

<classpathentrypath="lib/jericho-html-2.6.jar" kind="lib"/>

<classpathentrypath="lib/libidn-0.5.9.jar" kind="lib"/>

<classpathentrypath="lib/mg4j-1.0.1.jar" kind="lib"/>

<classpathentrypath="lib/poi-2.0-RC1-20031102.jar" kind="lib"/>

<classpathentrypath="lib/poi-scratchpad-2.0-RC1-20031102.jar"kind="lib"/>

<classpathentrypath="lib/servlet-tomcat-4.1.30.jar" kind="lib"/>

<classpathentrypath="" kind="output"/>

</classpath>其中：

上面的<classpathentry kind="src"path=""/>中，指定src为""，这表示，只要在该工程的根目录下面建的目录资源都呈现表结构组织；

上面的kind为lib，对应的就是我们拷贝到工程目录下面的lib，path的值就是该lib目录下面的所有的jar文件。

4.配置外部jar包，

切换到eclipse窗口下，刷新下工程。

右键单击工程，选择【Build Path】—> 【Add External Archives】在弹出的窗口中选择添加目录heritrix-1.12.1-src\heritrix-1.12.1\lib。

再次刷新下工程。没有错误提示了。

5、修改heritrix.properties属性文件

打开heritrix.properties属性文件，可以看到默认情况下，Heritrix-1.14.4的属性文件如下所示：

##############################################################################
# H E R I T R I X P R O P E R T I E S
##############################################################################

# Properties with 'heritrix.' or'org.archive.crawler.' prefix get loaded
# into System.properties on startup so available via System.getProperties.

# Version is filled in by the maven.xmlpregoal. It copies here the project
# currentVersion property.
heritrix.version = @VERSION@

# Location of the heritrix jobsdirectory.
heritrix.jobsdir = jobs

# Default commandline startup values.
# Below values are used if unspecified on the command line.
heritrix.cmdline.admin =
heritrix.cmdline.port = 8080
heritrix.cmdline.run = false
heritrix.cmdline.nowui = false
heritrix.cmdline.order =
heritrix.cmdline.jmxserver = false
heritrix.cmdline.jmxserver.port = 8081

上面四行红色标识的代码行，一般来说，需要修改。

第一行，heritrix.version指定了Heritrix的版本号，因为我们测试的是版本号为1.14.4，修改为：

heritrix.version = 1.14.4

第二行，heritrix.jobsdir指定了Heritrix在执行抓取任务时，抓取到的内容存放的目录，默认在工程下面的jobs目录下面。

第三行，heritrix.cmdline.admin指定了登录WebUI时使用的帐号，默认为空，可以自己随意设定，设定需要按照一定的格式(用户名:密码)，我们修改为：

heritrix.cmdline.admin = admin：admin

其中，用户名和密码使用“:”分隔。

第四行，heritrix.cmdline.port指定了运行Heritrix后台程序，监听的WebUI使用的端口号，默认为8080端口，可以设置一个当前没有占用的端口号，比如我们修改为：

heritrix.cmdline.port = 9090

、启动Heritrix后台程序

回到Eclipse平台窗口，找到新建的Java Project工程Heritrixproject中，资源包org.archive.crawler下面的Java类文件Heritrix.java，右键单击Heritrix.java文件，选择【Run As】—> 【Java Application】选项，便看见Heritrix后台已经启动了，在Eclipse控制台【Console】中可以看到启动过程的详细信息，如下所示：

<?xml:namespace prefix = v ns ="urn:schemas-microsoft-com:vml" />

7、登录WebUI

现在，可以成功登录WebUI，设置抓取任务了。

在浏览器地址栏中键入地址链接 http://localhost:9090，可以看到WebUI登录界面.

可能出现的问题：
1.配置好之后当我们运行Heritrix.java的时候可能编译不通过。这是因为sun包是受保护的包，默认只有sun公司的软件才能使用。myEclipse会报错，把对保护使用waring就可以了。

解决办法：Windows -> Preferences -> Java-> Compiler -> Errors/Warnings-> Deprecated and trstricted API ->Forbidden reference (access rules): -> change to warning

2.可能出现的异常：......thread-10org.archive.util.ArchiveUtils.<linit>( )TLD list....

解决办法：将/heritrix-1.14.4-src/heritrix-1.14.4/src/resources/org/archive/util 下的文本文档拷贝到heritrix中的org/archive/util下；

3.Exception in thread "StartNextJob"java.lang.NoSuchMethodError:
org.apache.commons.httpclient.HttpState.setCookiesMap(Ljava/util/SortedMap;

解决办法：HttpState在HeritrixX.XX.X.jar和commons-httpclient.XXX.jar里面重复了，在build path里面把HeritrixX.XX.X.JAR放在commons-httpclient.XXX.jar前面就可以解决这个问题。当然了，开始我根本没有导入HeritrixX.XX.X.jar这个包，会有其他的错误。