Heritrix源码分析(五) 如何让Heritrix在Ecplise等IDE下编程启动（转）

本博客属原创文章,欢迎转载！转载请务必注明出处:http://guoyunsky.iteye.com/blog/642550

     本博客已迁移到本人独立博客: http://www.yun5u.com/

       欢迎加入Heritrix群(QQ)：109148319,10447185  , Lucene/Solr群(QQ) :  118972724

在Heritrix注释里说Heritrix有三种启动方式,但我感觉只有两种：一种是通过tomcat或者JBOSS或者Jetty等Web容器，还有一种自然就是不通过Web直接编程运行。由于第二种方式更适合调试、研究代码，所以这里就介绍下它的编程启动方式吧....这里贴上示例代码以及注释：

1. import java.io.File;
2. import javax.management.InvalidAttributeValueException;
3. import org.archive.crawler.event.CrawlStatusListener;
4. import org.archive.crawler.framework.CrawlController;
5. import org.archive.crawler.framework.exceptions.InitializationException;
6. import org.archive.crawler.settings.XMLSettingsHandler;
7. public class StartHeritrixByEclipse {
8. public static void main(String[] args) throws InterruptedException {
9. String orderFile = "D:/heritrix-jobs/startHeritrixByEclipse/order.xml";//order.xml文件路径
10. File file = null;   //order.xml文件
11. CrawlStatusListener listener = null;//监听器
12. XMLSettingsHandler handler = null;  //读取order.xml文件的处理器
13. CrawlController controller = null;  //Heritrix的控制器
14. try {
15. file=new File(orderFile);
16. handler = new XMLSettingsHandler(file);
17. handler.initialize();//读取order.xml中的各个配置
18. controller = new CrawlController();//
19. controller.initialize(handler);//从读取的order.xml中的各个配置来初始化控制器
20. if (listener != null) {
21. controller.addCrawlStatusListener(listener);//控制器添加监听器
22. }
23. controller.requestCrawlStart();//开始抓取
24. /*
25. * 如果Heritrix还一直在运行则等待
26. */
27. while (true) {
28. if (controller.isRunning() == false) {
29. break;
30. }
31. Thread.sleep(1000);
32. }
33. //如果Heritrix不再运行则停止
34. controller.requestCrawlStop();
35. } catch (InvalidAttributeValueException e) {
36. // TODO Auto-generated catch block
37. e.printStackTrace();
38. } catch (InitializationException e) {
39. // TODO Auto-generated catch block
40. e.printStackTrace();
41. } catch (InterruptedException e) {
42. // TODO Auto-generated catch block
43. e.printStackTrace();
44. }
45. }
46. }

这里可以发现，其实只要知道一个order.xml路径就可以开始抓取了(同时还要seeds.txt种子文件),至于order.xml如何配置可以查看我前面的博客:http://guoyunsky.iteye.com/admin/blogs/613412