Heritrix和Nutch都是流行的开源网络爬虫工具，但二者的设计目标和使用场景有所不同。Heritrix强调完整存档，适用于互联网档案馆等需要长期保存网页原始状态的应用场景；而Nutch更侧重于搜索引擎的索引需求，能够对抓取的内容进行优化处理。
在邮件列表中看到有人问 Heritrix 爬虫与 Nutch 爬虫的不同。搜索了一下，该项目的领导者是 Gordon Mohr ，Heritrix 主要用在 http://www.archive.org 。基本定义描述：
Heritrix is the Internet Archive's open-source, extensible, web-scale, archival-quality web crawler project.
没想到过了一会儿，在邮件列表中居然看到了 Gordon Mohr 的发言。看来他也比较关心 Nutch 的发展。
我对 Mohr 的发言整理一下。主要有以下几点:
主要目的不同。 Heritrix 是个 "archival crawler" -- 用来获取完整的、精确的、站点内容的深度复制。包括获取图像以及其他非文本内容。抓取并存储相关的内容。对内容来者不拒，不对页面进行内容上的修改。重新爬行对相同的URL不针对先前的进行替换。爬虫通过Web用户界面启动、监控、调整，允许弹性的定义要获取的URL。
二者的差异：
- 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。
暂时还没有看到 Doug Cutting 对二者比较的评价．
Heritrix 的架构示意图：
Nutch 的架构示意图：
扫一扫
839
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
