由于 Heritrix 3.x 的开发人员文档在很大程度上已经过时（其中大部分与 Heritrix 1.x 有关，因为大多数类已更改或代码已被大幅重写/重构），任何人都可以指出相关的处理实际网页内容提取的系统的类（或类）？
我想要做的是获取Heritrix即将抓取的网页内容，然后将分类器应用于网页内容？（分析结构特征等）我认为这个功能可能分布在 ContentExtractor 类及其许多子类中，但我想做的是找到我拥有整个网页内容或在一个可读/可解析的流。Heritrix 应用正则表达式的内容（html）在哪里（以查找链接、某些文件类型等）？
我建议研究一个自定义 WriterProcessor 我编写了一个自定义 MirrorWriter 来查看传入的数据，并将文件写入不同的位置，以便以后进行后期处理。MirrorWriter 类的代码相当直接并且注释很好。文档在这里：http ://builds.archive.org:8080/javadoc/heritrix-3.1.0/org/archive/modules/writer/MirrorWriterProcessor.html
如果您在预处理方面死心塌地，您可以使用扩展 org.archive.modules.extractor.ExtractorHTML 并做一个即时版本。http://builds.archive.org:8080/javadoc/heritrix-3.1.0/org/archive/modules/extractor/ExtractorHTML.html