本博客属原创文章,欢迎转载！转载请务必注明出处:http://guoyunsky.javaeye.com/blog/629891
欢迎加入Heritrix群(QQ)： 109148319 , 10447185（已满） , Lucene/Solr群(QQ) : 118972724
Heritrix的order.xml分了很多组件，可以灵活的配置各个抓取参数。但很多人都关心如何使得抓取更快更久更多，这里首先从Heritrix自身着手吧，修改order.xml的一些参数其实也可以达到这一目的.
下面就列出各个参数、说明和理想值
序号 配置名 理想值 说明
1 0 0 最大下载字节数,就是当Heritrix抓取了多少字节后停止抓取0表示为无限制
2 0 0 最大下载文档数,就是当Heritrix抓取了多少URL则停止抓取,0表示没有限制
3 0 3 抓取一个网页的最大时间(秒),超过了该时间则不抓取,0表示没有这个限制
4 3 50 抓取的线程数,表示有多少个线程去抓取,一般50足够了
5 4.0 1.0 如果从某个队列抓取一个URL花费N秒,则下次从该队列获取URL去抓取则要延迟N*该值
6 20000 2000 队列的最大延迟时间,单位为毫秒
7 2000 0 队列的最小延迟时间,单位为毫秒
8 30 5 URL抓取失败可以重试的次数，重试次数越少越好
9 0 0 总的 抓取速度(KB/秒)限制,0表示没有限制
10 0 0 每个域名抓取速度(KB/S)限制，0表示没有限制
11 50 200 准备队列中待抓取的URL个数,这些URL无需经过队列等待可以立刻去抓取
12 21600 0 DNS有效时间(单位为秒),超过这个时间则要重新去获取DNS
13 86400 0 爬虫协议(robots.txt)有效时间，超过这个时间则要重新去读取robots.txt