Heritrix只爬取html、htm等特定页面

标签：heritrix

       Heritrix有5条链，网上有说在Extractor链里做处理，该链是抽取链，可以负责解析html页面的内容，然后进一步筛选。但是我目前只想通过判断后缀名筛选出html、htm、shtml、xshtml等文件。因此这样在Extractor里做处理就有点牛刀小用的意思，因此我在PostProcessor链里做处理。详细介绍如下：

       FronitierScheduler是一种PostProcessor，它的作用是将Extractor中分析得到链接加入到Froniter中，以供下一步处理（写文件处理等等）。

       具体方法：

       1.找到org.archive.crawler.postprocessor包下的FrontierScheduler.java文件

       2.找到FrontierScheduler类的protected void schedule(CandidateURI caUri)方法

       3.我的改写如下：

<span style="font-size:14px;">     protected void schedule(CandidateURI caUri) {
        //将caUri转为String格式
        String url = caUri.toString();
        //打印出来查看一下
        System.out.println("------" + url);
        //剔除以特定后缀名结尾的URL
        if(url.endsWith(".jpeg")
    			||url.endsWith(".jpg")
    			||url.endsWith(".gif")
    			||url.endsWith(".css")
    			||url.endsWith(".doc")
    			||url.endsWith(".zip")
    			||url.endsWith(".png")
    			||url.endsWith(".js")
    			||url.endsWith(".pdf")
    			||url.endsWith(".xls")
    			||url.endsWith(".rar")
    			||url.endsWith(".exe")
    			||url.endsWith(".txt")){
    		return;
    	}
        
        //将未剔除的文件加入到下一步处理（写入到本地磁盘的处理等等）
        getController().getFrontier().schedule(caUri);
        
     }</span>

Heritrix只爬取html、htm等特定页面

标签：heritrix

原文地址：http://blog.csdn.net/yangding_/article/details/45765671