1.在cmd下面进入Heritrix的bin目录下
输入heritrix -a admin:admin,弹出新窗口,新窗口中运行heritrix
2.浏览中输入https://localhost:8443/
得到界面如下
第一个输入框中写入任意Job名称,如s
第二个输入框如果不写则默认存储在bin目录下的jobs文件夹下
3.点击create后:
4.点击"s"任务:
crawler-beans.cxml是配置本次抓取网页的配置文件
5.点击edit:
修改配置文件中的内容,点击左上角的"save change"保存本次修改
第一个参数:可以填写你的ip(好像用了路由器的网络就不行了,不知是不是我弄错了?)
第二个参数:填写你的Job名称(和前面填写的一致)
第三个参数:填写描述
添加要爬取的网页
此处修改最后一个属性:把Version改为3.1.0,后面为你的联系方式(如果不填可能有的网站会拒绝被抓取)
返回job界面,build->launch->刷新->uppause,会看到Job的状态为Running