Heritrix3.2.0 是否可以抓取基于 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

如果您打算制作一个 ajax 网站的 "copy"，显然不行。

如果您想通过分析网站内容来获取一些数据，您可以使用提取器自定义爬虫程序，该提取器将确定要遵循哪些 URL。在大多数网站上，您无需解释 javascript 即可轻松猜出对您的案例感兴趣的 url。然后 ajax 回调将被抓取并提供给处理器链。默认情况下，这会将 ajax 回调答案存储在存档文件中。

制作您自己的提取器如下所示：

    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 文件放入 heritrix/lib 目录并在 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。

Heritrix3.2.0 是否可以抓取基于 ajax 的网站？

Is Heritrix3.2.0 able to crawl ajax-based web sites?

java

web-crawler

heritrix