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：

   

import java.io.File;
import javax.management.InvalidAttributeValueException;
import org.archive.crawler.event.CrawlStatusListener;
import org.archive.crawler.framework.CrawlController;
import org.archive.crawler.framework.exceptions.InitializationException;
import org.archive.crawler.settings.XMLSettingsHandler;

public class StartHeritrixByEclipse {

    public static void main(String[] args) throws InterruptedException {
        String orderFile = "D:/heritrix-jobs/startHeritrixByEclipse/order.xml";//order.xml文件路径
        File file = null;   //order.xml文件

        CrawlStatusListener listener = null;//监听器
        XMLSettingsHandler handler = null;  //读取order.xml文件的处理器
        CrawlController controller = null;  //Heritrix的控制器
        try {
            file=new File(orderFile);
            handler = new XMLSettingsHandler(file);
            handler.initialize();//读取order.xml中的各个配置

            controller = new CrawlController();//
            controller.initialize(handler);//从读取的order.xml中的各个配置来初始化控制器

            if (listener != null) {
                controller.addCrawlStatusListener(listener);//控制器添加监听器
            }
            controller.requestCrawlStart();//开始抓取

            /*
             * 如果Heritrix还一直在运行则等待
             */
            while (true) {
                if (controller.isRunning() == false) {
                    break;
                }
                Thread.sleep(1000);
            }

            //如果Heritrix不再运行则停止
            controller.requestCrawlStop();

        } catch (InvalidAttributeValueException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } catch (InitializationException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        } catch (InterruptedException e) {
            // TODO Auto-generated catch block
            e.printStackTrace();
        }

    }

}

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