java - Heritrix3.2.0 是否能够爬取基于 ajax 的网站？

Question

是否可以使用 Heritrix-3.2.0 抓取基于 ajax 的网站？

Answer 1

如果您打算制作 ajax 网站的“副本”，显然不会。

如果您想通过分析网站的内容来获取一些数据，您可以使用提取器自定义爬虫，该提取器将确定要遵循的 URL。在大多数网站上，您可以轻松猜出对您的案例感兴趣的 url，而无需解释 javascript。然后将抓取 ajax 回调并将其提供给处理器链。默认情况下，这会将 ajax 回调答案存储在存档文件中。

制作自己的 Extractor 如下所示：

    import org.archive.modules.extractor.ContentExtractor;
    import org.archive.modules.extractor.LinkContext;
    import org.archive.modules.extractor.Hop;
    import org.archive.io.ReplayCharSequence;
    import org.archive.modules.CrawlURI;

    public class MyExtractor extends ContentExtractor {
    @Override
    protected boolean shouldExtract(CrawlURI uri) {
        return true;
    }

    @Override
    protected boolean innerExtract(CrawlURI curi) {
        try {
            ReplayCharSequence cs = curi.getRecorder().getContentReplayCharSequence();
            // ... analyse the page content cs as a CharSequence ...

            // decide you want to crawl some page with url [uri] :
            addOutlink( curi, uri, LinkContext.NAVLINK_MISC, Hop.NAVLINK );
    }

编译，将 jar 文件放在 heritrix/lib 目录中，并在 fetchProcessors 链中插入一个引用 MyExtractor 的 bean：基本上，复制抓取作业 cxml 文件中的 extractorHtml 行。