heritrix
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： 1。在预定的URI中选择一个。 2。获取URI 3。分析，归档结果 4。选择已经发现的感兴趣的URI。加入预定队列。 5。标记已经处理过的URI
是IA的开放源代码，可扩展的，基于整个Web的，归档网络爬虫工程
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。
最新版本:heritrix-1.15.4
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的主页是http://crawler.archive.org
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：
1。在预定的URI中选择一个。
2。获取URI
3。分析，归档结果
4。选择已经发现的感兴趣的URI。加入预定队列。
5。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：
1.用单个爬虫在多个独立的站点一直不断的进行递归的爬。
2。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。
3。主要是用广度优先算法进行处理。
4。主要部件都是高效的可扩展的
5。良好的配置，包括：
a。可设置输出日志，归档文件和临时文件的位置
b。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。
c。可设置工作线程数量。
d。可设置所利用的带宽的上界。
e。可在设置之后一定时间重新选择。
f。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：
1。单实例的爬虫，之间不能进行合作。
2。在有限的机器资源的情况下，却要复杂的操作。
3。只有官方支持，仅仅在Linux上进行了测试。
4。每个爬虫是单独进行工作的，没有对更新进行修订。
5。在硬件和系统失败时，恢复能力很差。
6。很少的时间用来优化性能。