标题还是一如既往的难取。
我认为对于一个普遍问题，必有对应的一个简洁优美的解决方案。当然这也许只是我的一厢情愿，因为根据宇宙法则，所有事物总归趋于混沌，而OAuth协议就是混沌中的产物，不管是1.0、1.0a还是2.0，单看版本号就让人神伤。
对接过各类开放平台的朋友对OAuth应该不会陌生。当年我小试了下淘宝API，各种token、key、secret、code、id，让我眼花缭乱，不明所以，虽然最终调通，但那种照猫画虎的感觉颇不好受。最近公司计划，开放接口的授权协议从1.0升到2.0，这个任务不巧就落在了我的头上。
声明：我并没有认真阅读过OAuth2.0协议规范，本文对OAuth2.0的阐述或有不当之处，请谅解。本文亦不保证叙述的正确性，欢迎指正。
OAuth2.0包含四种角色：
- 用户，又叫资源所有者
- 客户端，俗称第三方商户
- 授权服务端，颁发AccessToken
- 资源服务端，根据AccessToken开放相应的资源访问权限
本文涉及到三种授权模式：
- Authorization Code模式：这是现在互联网应用中最常见的授权模式。客户端引导用户在授权服务端输入凭证获取用户授权（AccessToken），进而访问用户资源。需要注意的是，在用户授权后，授权服务端先回传客户端授权码，然后客户端再使用授权码换取AccessToken。为什么不直接返回AccessToken呢？主要是由于用户授权后，授权服务端重定向到客户端地址，此时数据只能通过QueryString方式向客户端传递，在地址栏URL中可见，不安全，于是分成了两步，第二步由客户端主动请求获取最终的令牌。
- Client Credentials Flow：客户端乃是授权服务端的信任合作方，不需要用户参与授权，事先就约定向其开放指定资源（不特定于用户）的访问权限。客户端通过证书或密钥（或其它约定形式）证明自己的身份，获取AccessToken，用于后续访问。
- Username and Password Flow：客户端被用户和授权服务端高度信任，用户直接在客户端中输入用户名密码，然后客户端传递用户名密码至授权服务端获取AccessToken，便可访问相应的用户资源。这在内部多系统资源共享、同源系统资源共享等场景下常用，比如单点登录，在登录时就获取了其它系统的AccessToken，避免后续授权，提高了用户体验。
上述模式涉及到三类凭证：
- AuthorizationCode：授权码，授权服务端和客户端之间传输。
- AccessToken：访问令牌，授权服务端发给客户端，客户端用它去到资源服务端请求资源。
- RefreshToken：刷新令牌，授权服务端和客户端之间传输。
对客户端来说，授权的过程就是获取AccessToken的过程。
总的来说，OAuth并没有新鲜玩意，仍是基于加密、证书诸如此类的技术，在OAuth出来之前，这些东东就已经被大伙玩的差不多了。OAuth给到我们的最大好处就是统一了流程标准，一定程度上促进了互联网的繁荣。
我接到任务后，本着善假于物的理念，先去网上搜了一遍，原本以为有很多资源，结果只搜到DotNetOpenAuth这个开源组件。更让人失望的是，官方API文档没找到（可能是我找的姿势不对，有知道的兄弟告知一声），网上其它资料也少的可怜，其间发现一篇OAuth2学习及DotNetOpenAuth部分源码研究，欣喜若狂，粗粗浏览一遍，有收获，却觉得该组件未免过于繁杂（由于时间紧迫，我并没有深入研究，只是当前观点）。DotNetOpenAuth包含OpenID、OAuth1.0[a]/2.0，自带的例子有几处暗坑，不易（能）调通。下面介绍我在搭建基于该组件的OAuth2.0授权框架时的一些心得体会。
本文介绍的DotNetOpenAuth乃是对应.Net4.0的版本。
授权服务端
授权服务端交道打的最多的就是客户端，于是定义一个Client类，实现DotNetOpenAuth.OAuth2.IClientDescription接口，下面我们来看IClientDescription的定义：
public interface IClientDescription { Uri DefaultCallback { get; }
//0:有secret 1:没有secret ClientType ClientType { get; }
//该client的secret是否为空 bool HasNonEmptySecret { get; }
//检查传入的callback与该client的callback是否一致 bool IsCallbackAllowed(Uri callback);
//检查传入的secret与该client的secret是否一致 bool IsValidClientSecret(string secret); }
其中隐含了许多信息。DefaultCallback表示客户端的默认回调地址（假如有的话），在接收客户端请求时，使用IsCallbackAllowed判断回调地址是否合法（比如查看该次回调地址和默认地址是否属于同一个域），过滤其它应用的恶意请求。若ClientType 为0，则表示客户端需持密钥（secret）表明自己的身份，授权服务端可以据此赋予此类客户端相对更多的权限。自定义的Client类一般需要多定义一个ClientSecret属性。DefaultCallback和ClientSecret在下文常有涉及。
DotNetOpenAuth预定义了一个接口——IAuthorizationServerHost，这是个重要的接口，定义如下：
public interface IAuthorizationServerHost { ICryptoKeyStore CryptoKeyStore { get; } INonceStore NonceStore { get; } AutomatedAuthorizationCheckResponse CheckAuthorizeClientCredentialsGrant(IAccessTokenRequest accessRequest); AutomatedUserAuthorizationCheckResponse CheckAuthorizeResourceOwnerCredentialGrant(string userName, string password, IAccessTokenRequest accessRequest); AccessTokenResult CreateAccessToken(IAccessTokenRequest accessTokenRequestMessage); IClientDescription GetClient(string clientIdentifier); bool IsAuthorizationValid(IAuthorizationDescription authorization); }
简单地说，CryptoKeyStore用于存取对称加密密钥，用于授权码和刷新令牌的加密，由于客户端不需要对它们进行解密，所以密钥只存于授权服务端；关于AccessToken的传输则略有不同，关于这点我们待会说。理解NonceStore 属性需要知道Nonce和Timestamp的概念，Nonce与消息合并加密可防止重放攻击，Timestamp是为了避免可能的Nonce重复问题，也将一同参与加密，具体参看nonce和timestamp在Http安全协议中的作用；这项技术放在这里主要是为了确保一个授权码只能被使用一次。CheckAuthorizeClientCredentialsGrant方法在客户端凭证模式下使用，CheckAuthorizeResourceOwnerCredentialGrant在用户名密码模式下使用，经测试，IsAuthorizationValid方法只在授权码模式下被调用，这三个方法的返回值标示是否通过授权。
当授权通过后，通过CreateAccessToken生成AccessToken并返回给客户端，客户端于是就可以用AccessToken访问资源服务端了。那当资源服务端接收到AccessToken时，需要做什么工作呢？首先，它要确认这个AccessToken是由合法的授权服务端颁发的，否则，攻击者就能使用DotNetOpenAuth另外建一个授权服务端，后果可想而知。说到身份认证，最成熟的就是RSA签名技术，即授权服务端私钥对AccessToken签名，资源服务端接收后使用授权服务端的公钥验证。我们还可以使用资源服务器公/私钥对来加解密AccessToken（签名在加密后），这对于OAuth2.0来说没任何意义，而是为OAuth1.0服务的。
public AccessTokenResult CreateAccessToken(IAccessTokenRequest accessTokenRequestMessage) { var accessToken = new AuthorizationServerAccessToken(); int minutes = 0; string setting = ConfigurationManager.AppSettings["AccessTokenLifeTime"]; minutes = int.TryParse(setting, out minutes) ? minutes : 10;//10分钟 accessToken.Lifetime = TimeSpan.FromMinutes(minutes); //这里设置加密公钥 //accessToken.ResourceServerEncryptionKey = new RSACryptoServiceProvider(); //accessToken.ResourceServerEncryptionKey.ImportParameters(ResourceServerEncryptionPublicKey); //签名私钥，这是必须的(在后续版本中可以设置accessToken.SymmetricKeyStore替代) accessToken.AccessTokenSigningKey = CreateRSA(); var result = new AccessTokenResult(accessToken); return result; }
前面说了，所有授权模式都是为了获取AccessToken，授权码模式和用户名密码模式还有个RefreshToken，当然授权码模式独有Authorization Code。一般来说，这三个东西，对于客户端是一个经过加密编码的字符串，对于服务端是可序列化的对象，存储相关授权信息。需要注意的是客户端证书模式没有RefreshToken，这是为什么呢？我们不妨想想为什么授权码模式和用户名密码模式有个RefreshToken，或者说RefreshToken的作用是什么。以下是我个人推测：
首先要明确，AccessToken一般是不会永久有效的。因为，AccessToken并没有承载可以验证客户端身份的完备信息，并且资源服务端也不承担验证客户端身份的职责，一旦AccessToken被他人获取，那么就有可能被恶意使用。失效机制有效减少了产生此类事故可能造成的损失。当AccessToken失效后，需要重新获取。对于授权码模式和用户名密码模式来说，假如没有RefreshToken，就意味这需要用户重新输入用户名密码进行再次授权。如果AccessToken有效期够长，比如几天，倒不觉得有何不妥，有些敏感应用只设置数分钟，就显得不够人性化了。为了解决这个问题，引入RefreshToken，它会在AccessToken失效后，在不需要用户参与的情况下，重新获取新的AccessToken，这里有个前提就是RefreshToken的有效期（如果有的话）要比AccessToken长，可设为永久有效。那么，RefreshToken泄露了会带来问题吗？答案是不会，除非你同时泄露了客户端身份凭证。需要同时具备RefreshToken和客户端凭证信息，才能获取新的AccessToken，我们甚至可以将旧的AccessToken当作RefreshToken。同理可推，由于不需要用户参与授权，在客户端证书模式下，客户端在AccessToken失效后只需提交自己的身份凭证重新请求新AccessToken即可，根本不需要RefreshToken。
授权码模式，用户授权后（此时并生成返回AccessToken，而是返回授权码），授权服务端要保存相关的授权信息，为此定义一个ClientAuthorization类：
public class ClientAuthorization { public int ClientId { get; set; } public string UserId { get; set; } public string Scope { get; set; } public DateTime? ExpirationDateUtc { get; set; } }
ClientId和UserId就不说了，Scope是授权范围，可以是一串Uri，也可以是其它标识，只要后台代码能通过它来判断待访问资源是否属于授权范围即可。ExpirationDateUtc乃是授权过期时间，即当该时间到期后，需要用户重新授权（有RefreshToken）也没用，为null表示永不过期。
资源服务端
在所有的授权模式下，资源服务端都只专注一件和OAuth相关的事情——验证AccessToken。这个步骤相对来说就简单很多，以Asp.net WebAPI为例。在此之前建议对Asp.net WebAPI消息拦截机制不熟悉的朋友浏览一遍ASP.NET Web API之消息[拦截]处理。这里我们新建一个继承自DelegatingHandler的类作为例子：
public class BearerTokenHandler : DelegatingHandler { /// <summary> /// 验证访问令牌合法性，由授权服务器私钥签名，资源服务器通过对应的公钥验证 /// </summary> private static readonly RSAParameters AuthorizationServerSigningPublicKey = new RSAParameters();//just a 例子 private RSACryptoServiceProvider CreateAuthorizationServerSigningServiceProvider() { var authorizationServerSigningServiceProvider = new RSACryptoServiceProvider(); authorizationServerSigningServiceProvider.ImportParameters(AuthorizationServerSigningPublicKey); return authorizationServerSigningServiceProvider; } protected override Task<HttpResponseMessage> SendAsync(HttpRequestMessage request, CancellationToken cancellationToken) { if (request.Headers.Authorization != null) { if (request.Headers.Authorization.Scheme == "Bearer") { var resourceServer = new ResourceServer(new StandardAccessTokenAnalyzer(this.CreateAuthorizationServerSigningServiceProvider(), null)); var principal = resourceServer.GetPrincipal(request);//可以在此传入待访问资源标识参与验证 HttpContext.Current.User = principal; Thread.CurrentPrincipal = principal; } } return base.SendAsync(request, cancellationToken); } }
需要注意，AccessToken乃是从头信息Authorization获取，格式为“Bearer:AccessToken”，在下文“原生方式获取AccessToken”中有进一步描述。ResourceServer.GetPrincipal方法使用授权服务端的公钥验证AccessToken的合法性，同时解密AccessToken，若传入参数有scope，则还会判断scope是否属于授权范围内，通过后将会话标识赋给当前会话，该会话标识乃是当初用户授权时的用户信息，这样就实现了用户信息的传递。一般来说若返回的principal为null，就可以不必执行后续逻辑了。
客户端
可以认为DotNetOpenAuth.OAuth2.Client是DotNetOpenAuth给C#客户端提供的默认SDK。我们以授权码模式为例。先声明一个IAuthorizationState接口对象，IAuthorizationState接口是用来保存最终换取AccessToken成功后授权服务端返回的信息，其部分定义如下：
public interface IAuthorizationState { Uri Callback { get; set; } string RefreshToken { get; set; } string AccessToken { get; set; } DateTime? AccessTokenIssueDateUtc { get; set; } DateTime? AccessTokenExpirationUtc { get; set; } HashSet<string> Scope { get; } }
AccessTokenExpirationUtc是AccessToken过期时间，以Utc时间为准。若该对象为null，则表示尚未授权，我们需要去授权服务端请求。
private static AuthorizationServerDescription _authServerDescription = new AuthorizationServerDescription { TokenEndpoint = new Uri(MvcApplication.TokenEndpoint), AuthorizationEndpoint = new Uri(MvcApplication.AuthorizationEndpoint), }; private static WebServerClient _client = new WebServerClient(_authServerDescription, "democlient", "samplesecret"); [HttpPost] public ActionResult Index() { if (Authorization == null) { return _client.PrepareRequestUserAuthorization().AsActionResult(); } return View(); }
AuthorizationServerDescription包含两个属性，AuthorizationEndpoint是用户显式授权的地址，一般即用户输用户名密码的地；TokenEndpoint是用授权码换取AccessToken的地址，注意该地址须用POST请求。“democlient”和“samplesecret”是示例用的客户端ID和客户端Secret。WebServerClient.PrepareRequestUserAuthorization方法将会首先返回code和state到当前url，以querystring的形式（若用户授权的话）。
code即是授权码，state参数不好理解，这涉及到CSRF，可参看浅谈CSRF攻击方式，state就是为了预防CSRF而引入的随机数。客户端生成该值，将其附加到state参数的同时，存入用户Cookie中，用户授权完毕后，该参数会同授权码一起返回到客户端，然后客户端将其值同Cookie中的值比较，若一样则表示该次授权为当前用户操作，视为有效。由于不同域的cookie无法共享，因此其它站点并不能知道state的确切的值，CSRF攻击也就无从谈起了。简单地说，state参数起到一个标示消息是否合法的作用。结合获取授权码这步来说，授权服务端返回的url为http://localhost:22187/?code=xxxxxxxxx&state=_PzGpfJzyQI9DkdoyWeWr格式，若忽略state，那么攻击方将code替换成自己的授权码，最终客户端获取的AccessToken是攻击方的AccessToken，由于AccessToken同用户关联，也就是说，后续客户端做的其实是另一个用户资源（也许是攻击方注册的虚拟用户），如果操作中包括新增或更新，那么真实用户信息就会被攻击方获取到。可参看OAuth2 Cross Site Request Forgery, and state parameter。
有了code就可以去换取AccessToken了：
public ActionResult Index(string code,string state) { if (!string.IsNullOrEmpty(code) && !string.IsNullOrEmpty(state)) { var authorization = _client.ProcessUserAuthorization(Request); Authorization = authorization; return View(authorization); } return View(); }
如前所述，Authorization不为null即表示整个授权流程成功完成。然后就可以用它来请求资源了。
public ActionResult Invoke() { var request = new HttpRequestMessage(new HttpMethod("GET"), "http://demo.openapi.cn/bookcates"); using (var httpClient = new HttpClient(_client.CreateAuthorizingHandler(Authorization))) { using (var resourceResponse = httpClient.SendAsync(request)) { ViewBag.Result = resourceResponse.Result.Content.ReadAsStringAsync().Result; } } return View(Authorization); }
WebServerClient.CreateAuthorizingHandler方法返回一个DelegatingHandler，主要用来当AccessToken过期时，使用RefreshToken刷新换取新的AccessToken；并设置Authorization头信息，下文有进一步说明。
既然是开放平台，面对的客户端种类自然多种多样，DotNetOpenAuth.OAuth2.Client显然就不够用了，我也不打算为了这个学遍所有程序语言。所幸OAuth基于http，不管任何语言开发的客户端，获取AccessToken的步骤本质上就是提交http请求和接收http响应的过程，客户端SDK只是将这个过程封装得更易用一些。下面就让我们以授权码模式为例，一窥究竟。
参照前述事例，当我们第一次（新的浏览器会话）在客户端点击“请求授权”按钮后，会跳转到授权服务端的授权界面。
可以看到，url中带了client_id、redirect_uri、state、response_type四个参数，若要请求限定的授权范围，还可以传入scope参数。其中response_type设为code表示请求的是授权码。
以下为请求授权码：
1 private string GetNonCryptoRandomDataAsBase64(int binaryLength) 2 { 3 byte[] buffer = new byte[binaryLength]; 4 _random.NextBytes(buffer); 5 string uniq = Convert.ToBase64String(buffer); 6 return uniq; 7 } 8 9 public ActionResult DemoRequestCode() 10 { 11 string xsrfKey = this.GetNonCryptoRandomDataAsBase64(16);//生成随机数 12 string url = MvcApplication.AuthorizationEndpoint + "?" + 13 string.Format("client_id={0}&redirect_uri={1}&response_type={2}&state={3}", 14 "democlient", "http://localhost:22187/", "code", xsrfKey); 15 HttpCookie xsrfKeyCookie = new HttpCookie(XsrfCookieName, xsrfKey); 16 xsrfKeyCookie.HttpOnly = true; 17 xsrfKeyCookie.Secure = FormsAuthentication.RequireSSL; 18 Response.Cookies.Add(xsrfKeyCookie); 19 20 return Redirect(url); 21 }
授权码返回后，先检查state参数，若通过则换取AccessToken：
private bool VerifyState(string state) { var cookie = Request.Cookies[XsrfCookieName]; if (cookie == null) return false; var xsrfCookieValue = cookie.Value; return xsrfCookieValue == state; } private AuthenticationHeaderValue SetAuthorizationHeader() { string concat = "democlient:samplesecret"; byte[] bits = Encoding.UTF8.GetBytes(concat); string base64 = Convert.ToBase64String(bits); return new AuthenticationHeaderValue("Basic", base64); } public ActionResult Demo(string code, string state) { if (!string.IsNullOrEmpty(code) && !string.IsNullOrEmpty(state) && VerifyState(state)) { var httpClient = new HttpClient(); var httpContent = new FormUrlEncodedContent(new Dictionary<string, string>() { {"code", code}, {"redirect_uri", "http://localhost:22187/"}, {"grant_type","authorization_code"} }); httpClient.DefaultRequestHeaders.Authorization = this.SetAuthorizationHeader(); var response = httpClient.PostAsync(MvcApplication.TokenEndpoint, httpContent).Result; Authorization = response.Content.ReadAsAsync<AuthorizationState>().Result; return View(Authorization); } return View(); }
如上所示，以Post方式提交，三个参数，code即是授权码，redirect_uri和获取授权码时传递的redirect_uri要保持一致，grant_type设置为“authorization_code”。注意SetAuthorizationHeader方法，需要设置请求头的Authorization属性，key为“Basic”，值为以Base64编码的“客户端ID:客户端Secret”字符串，至于为何要如此规定，暂时没有探究。成功后返回的信息可以转为前面说的IAuthorizationState接口对象。
如前所述，当AccessToken过期后，需要用RefreshToken刷新。
private void RefreshAccessToken() { var httpClient = new HttpClient(); var httpContent = new FormUrlEncodedContent(new Dictionary<string, string>() { {"refresh_token", Authorization.RefreshToken}, {"grant_type","refresh_token"} }); httpClient.DefaultRequestHeaders.Authorization = this.SetAuthorizationHeader(); var response = httpClient.PostAsync(MvcApplication.TokenEndpoint, httpContent).Result; Authorization = response.Content.ReadAsAsync<AuthorizationState>().Result; }
其中grant_type须设置为”refresh_token”，请求头信息设置同前。
获取AccessToken后，就可以用于访问用户资源了。
public ActionResult DemoInvoke() { var httpClient = new HttpClient(); if (this.Authorization.AccessTokenExpirationUtc.HasValue && this.Authorization.AccessTokenExpirationUtc.Value < DateTime.UtcNow) { this.RefreshAccessToken(); } var bearerToken = this.Authorization.AccessToken; httpClient = new HttpClient(); httpClient.DefaultRequestHeaders.Authorization = new AuthenticationHeaderValue("Bearer", bearerToken); var request = new HttpRequestMessage(new HttpMethod("GET"), "http://demo.openapi.cn/bookcates"); using (var resourceResponse = httpClient.SendAsync(request)) { ViewBag.Result = resourceResponse.Result.Content.ReadAsStringAsync().Result; } return View(Authorization); }
用法很简单，Authorization请求头，key设为“Bearer”，值为AccessToken即可。
断断续续写了大半个月，到此终于可以舒一口气了。需要完整代码的朋友，我会过段时间补上。
基于HERITRIX的特定主题的网络爬虫配置与实现
建议在了解了一定网络爬虫的基本原理和Heritrix的架构知识后进行配置和扩展。相关博文：http://www.cnblogs.com/hustfly/p/3441747.html
摘要
随着网络时代的日新月异，人们对搜索引擎，网页的内容，大数据处理等问题有了更多的要求。如何从海量的互联网信息中选取最符合要求的信息成为了新的热点。在这种情况下，网络爬虫框架heritrix出现解决了这个问题。
Heritrix是一个开源的、java开发的、可扩展的web爬虫项目。用户可以使用它来从网上抓取想要的资源。其最出色之处在于它良好的可扩展性,方便用户实现自己的抓取逻辑。
本文在已经简单分析过heritrix的工作流程，模块划分的基础上，在本地主机搭建heritrix的环境，实现基本的网页抓取过程，最后通过heritrix进行面向特定主题的网页抓取试验并进行结果分析。
关键词：网络爬虫；网页搜集；heritrix；主题抓取
Abstract
With the development of network, user’s requirement for search engines, webpage content, large data processing problems increases all the time. How to select most valuable information from massive Internet information has become a new hotspot. In this case, a new web crawler frame-heritrix solved this problem.
The heritrix web crawler is a java-developed, open-source, extensible project. Users can use it fetch resources from Internet. Its most outstanding feature lies in its good scalability, makes users can fetch information in their own logic.
This paper bases on analysis of work process, module division of heritrix. Then build the environment of heritrix, at last uses heritrix to fetch the specific web pages and analyzes the result.
Key words: heritrix; web crawler; source code analysis; focused crawl
一、引言
搜索引擎的实现过程，可以看作三步：1. 从互联网上抓取网页； 2. 对网页进行处理，建立索引数据库； 3. 进行查询。因此无论什么样的搜索引擎，都必须要有一个设计良好的爬虫来支持。Heritrix 是 SourceForge 上基于 Java 的开源爬虫，它可以通过 Web 用户界面来启动、设置爬行参数并监控爬行，同时开发者可以随意地扩展它的各个组件，来实现自己的抓取逻辑，因其方便的可扩展性而深受广大搜索引擎爱好者的喜爱。
网络爬虫工具Heritrix是由面向对象的程序设计语言java开发的，开源的网络爬虫工具包，它的程序执行速度之快是传统搜索引擎无法企及的。作为一个专为互联网网页进行存档而开发的网页检索器，开发者可利用其出色可扩展性来实现自己的抓取逻辑。虽然 Heritrix 功能强大，但其配置复杂，而且官方只在 Linux 系统上测试通过，用户难以上手。
本文在深入分析核心，然后在本地对该系统构建环境进行测试，详细介绍 Heritrix 在 windows 下 Eclipse 中的配置运行，并对其进行简单扩展，实现自己定义的搜索逻辑，最后对整个结果进行测试分析。
二、Window系统下Heritrix环境的搭建
2.1配置环境说明
- 系统环境：Windows7
- IDE工具：Eclipse
- 本次用到的版本是Heritrix1.14.4，由于开源，可以从SourceForge（http://sourceforge.net/projects/archive-crawler/files/ ）上获取。下载zip文件来在windows平台使用
2.2在Eclipse中的配置
首先在Eclipse中新建Java工程MyHeritrix。然后利用下载的源代码包按一下步骤配置这个工程。
- 导入类库
Heritrix 所用到的工具类库都在 heritrix-1.14.4-srclib 目录下，需要将其导入 MyHeritrix 工程。
1）将 heritrix-1.14.4-src 下的 lib 文件夹拷贝到 MyHeritrix 项目根目录；
2）在 MyHeritrix 工程上右键单击选择“Build PathàConfigure Build Path …”，然后选择 Library 选项卡，单击“Add JARs …”
3）在弹出的“JAR Selection”对话框中选择 MyHeritrix 工程 lib 文件夹下所有的 jar 文件，然后点击 OK 按钮。
设置完成后如图 2.1 所示：
图 2.1. 导入类库 - 导入后
- 拷贝源代码
1）将 heritrix-1.14.4-srcsrcjava 下的 com、org 和 st 三个文件夹拷贝进 MyHeritrix 工程的 src 下。这三个文件夹包含了运行 Heritrix 所必须的核心源代码；
2）将 heritrix-1.14.4-srcsrc esourcesorgarchiveutil 下的文件tlds-alpha-by-domain.txt 拷贝到 MyHeritrixsrcorgarchiveutil 中。该文件是一个顶级域名列表，在 Heritrix 启动时会被读取；
3）将 heritrix-1.14.4-srcsrc 下 conf 文件夹拷贝至 Heritrix 工程根目录。它包含了 Heritrix 运行所需的配置文件；
4）将 heritrix-1.14.4-srcsrc 中的 webapps 文件夹拷贝至 Heritrix 工程根目录。该文件夹是用来提供 servlet 引擎的，包含了 Heritrix 的 web UI 文件。需要注意的是它不包含帮助文档，如果想使用帮助，可以将 heritrix-1.14.4.zipdocs 中的 articles 文件夹拷贝到 MyHeritrixwebappsadmindocs（需新建 docs 文件夹）下。或直接用 heritrix-1.14.4.zip 的webapps 文件夹替换 heritrix-1.14.4-srcsrc 中的 webapps 文件夹，缺点是这个是打包好的 .war 文件，无法修改源代码。
拷贝完毕后的 MyHeritrix 工程目录层次如图 2.2所示。这里运行 Heritrix 所需的源代码等已经准备完备，下面需要修改配置文件并添加运行参数。
图 2.2 MyHeritrix 工程的目录层次
- 修改配置文件
conf 文件夹是用来提供配置文件的，里面包含了一个很重要的文件：heritrix.properties。heritrix.properties 中配置了大量与 Heritrix 运行息息相关的参数，这些参数的配置决定了 Heritrix 运行时的一些默认工具类、Web UI 的启动参数，以及 Heritrix 的日志格式等。当第一次运行 Heritrix 时，只需要修改该文件，为其加入 Web UI 的用户名和密码。如图2.3所示，设置 heritrix.cmdline.admin = admin:admin，“admin:admin”分别为用户名和密码。然后设置版本参数为 1.14.4。
图 2.3. 设置登陆用户名和密码
- 配置运行文件
在 MyHeritrix 工程上右键单击选择“Run AsàRun Configurations”，确保 Main 选项卡中的 Project 和 Main class 选项内容正确，如图 2.4所示。其中的 Name 参数可以设置为任何方便识别的名字。
然后在 Classpath 页选择 UserEntries 选项，此时右边的 Advanced 按钮处于激活状态，点击它，在弹出的对话框中选择“Add Folders”，然后选择 MyHeritrix 工程下的 conf 文件夹。如图 2.5所示。
图 2.4 配置运行文件—设置工程和类
图 2.5. 添加配置文件
至此我们的 MyHeritrix 工程已经可以运行起来了。下面我们来看看如何启动 Heritrix 并设置一个具体的抓取任务。
三、创建网页抓取任务
找到 org.archive.crawler 包中的 Heritrix.java 文件，它是 Heritrix 爬虫启动的入口，右键单击选择“Run AsàJava Application”，如果配置正确，会在控制台输出如图 3.1 所示的启动信息。
图 3.1. 运行成功时控制台输出
在浏览器中输入 http://localhost:8080，会打开Web UI 登录界面。
输入之前设置的用户名 / 密码：admin/admin，进入到 Heritrix 的管理界面，如图3.2所示。因为我们还没有创建抓取任务，所以 Jobs 显示为 0。
图3.2. Heritrix 控制台
Heritrix 使用 Web 用户界面来启动、设置爬行参数并监控爬行，简单直观，易于管理。下面我们以浙江大学软件学院首页 (http://www.cst.zju.edu.cn/) 为种子站点来创建一个抓取实例。
在 Jobs 页面创建一个新的抓取任务，如图3.3所示，可以创建四种任务类型。
图 3.3. 创建抓取任务
Based on existing job：以一个已经有的抓取任务为模板生成新的抓取任务。
Based on a recovery：在以前的某个任务中，可能设置过一些状态点，新的任务将从这个设置的状态点开始。
Based on a profile：专门为不同的任务设置了一些模板，新建的任务将按照模板来生成。
With defaults：这个最简单，表示按默认的配置来生成一个任务。
这里我们选择“With defaults”，然后输入任务相关信息。
首先点击“Modules”按钮，在相应的页面为此次任务设置各个处理模块，一共有七项可配置的内容，这里我们只设置 Crawl Scope 和 Writers 两项，下面简要介绍各项的意义。
1）Select Crawl Scope：Crawl Scope 用于配置当前应该在什么范围内抓取网页链接。例如选择 BroadScope 则表示当前的抓取范围不受限制，选择 HostScope 则表示抓取的范围在当前的 Host 范围内。在这里我们选择 org.archive.crawler.scope.BroadScope，并单击右边的 Change 按钮保存设置状态。
2）Select URI Frontier：Frontier 是一个 URL 的处理器，它决定下一个被处理的 URL 是什么。同时，它还会将经由处理器链解析出来的 URL 加入到等待处理的队列中去。这里我们使用默认值。
3）Select Pre Processors：这个队列的处理器是用来对抓取时的一些先决条件进行判断。比如判断 robot.txt 信息等，它是整个处理器链的入口。这里我们使用默认值。
4）Select Fetchers：这个参数用于解析网络传输协议，比如解析 DNS、HTTP 或 FTP 等。这里我们使用默认值。
5）Select Extractors：主要是用于解析当前服务器返回的内容，取出页面中的 URL，等待下次继续抓取。这里我们使用默认值。
6）Select Writers：它主要用于设定将所抓取到的信息以何种形式写入磁盘。一种是采用压缩的方式（Arc），还有一种是镜像方式（Mirror）。这里我们选择简单直观的镜像方式：org.archive.crawler.writer.MirrorWriterProcessor。
7）Select Post Processors：这个参数主要用于抓取解析过程结束后的扫尾工作，比如将 Extrator 解析出来的 URL 有条件地加入到待处理的队列中去。这里我们使用默认值。
设置完“Modules”后，点击“Settings”按钮，这里只需要设置 user-agent 和 from，其中：
“@VERSION@”字符串需要被替换成 Heritrix 的版本信息。
“PROJECT_URL_HERE”可以被替换成任何一个完整的 URL 地址。
“from”属性中不需要设置真实的 E-mail 地址，只要是格式正确的邮件地址就可以了。
对于各项参数的解释，可以点击参数前的问号查看。本次任务设置如图3.4所示。
图 3.4. 设置 Settings
完成上述设置后点击“Submit job”链接，然后回到 console 控制台，可以看到我们刚刚创建的任务处于 pending 状态。
点击“Start”启动任务，刷新一下即可看到抓取进度以及相关参数。同时可以暂停或终止抓取过程。需要注意的是，进度条的百分比数量并不是准确的，这个百分比是实际上已经处理的链接数和总共分析出的链接数的比值。随着抓取工作不断进行，这个百分比的数字也在不断变化。
同时，在 MyHeritrix 工程目录下自动生成“jobs”文件夹，包含本次抓取任务。抓取下来网页以镜像方式存放，也就是将 URL 地址按“/”进行切分，进而按切分出来的层次存储。如图 3.5所示。
图 3.5. 抓取到的网页
因为我们选择了 BroadScope 的抓取范围，爬虫会抓取所有遇到的 URL，这样会造成 URL 队列无限制膨胀，无法终止，只能强行终止任务。尽管 Heritrix 也提供了一些抓取范围控制的类，但是根据实际测试经验，如果想要完全实现自己的抓取逻辑，仅仅靠 Heritrix 提供的抓取控制是不够的，只能修改扩展源代码。
四、扩展Heritrix实现自定义抓取任务
扩展 FrontierScheduler 来抓取特定网站内容
FrontierScheduler 是 org.archive.crawler.postprocessor 包中的一个类，它的作用是将在 Extractor 中所分析得出的链接加入到 Frontier 中，以待继续处理。在该类的 innerProcess(CrawlURI) 函数中，首先检查当前链接队列中是否有一些属于高优先级的链接。如果有，则立刻转走进行处理；如果没有，则对所有的链接进行遍历，然后调用 Frontier 中的 schedule() 方法加入队列进行处理。
从源代码可以看出 innerProcess() 函数并未直接调用 Frontier 的 schedule() 方法，而是调用自己内部的 schedule() 方法，进而在这个方法中再调用 Frontier 的 schedule() 方法。而 FrontierScheduler 的 schedule() 方法实际上直接将当前的候选链接不加任何判断地直接加入到抓取队列当中了。这种方式为 FrontierScheduler 的扩展留出了很好的接口。
这里我们需要构造一个 FrontierScheduler 的派生类 FrontierSchedulerForZju，这个类重载了 schedule(CandidateURI caUri) 这个方法，限制抓取的 URI 必须包含“zju”，以保证抓取的链接都是浙江大学内部的地址。派生类 FrontierSchedulerForZju 具体代码如下：
package org.archive.crawler.postprocessor; import org.archive.crawler.datamodel.CandidateURI; public class FrontierSchedulerForZju extends FrontierScheduler { private static final long serialVersionUID = 1L; public FrontierSchedulerForZju(String name) { super(name); } //重载schedule方法 protected void schedule(CandidateURI caUri) { String uri = caUri.toString(); //设置抓取规则：URI中包含有zju的抓取 if (uri.contains("zju")) { System.out.println(uri); getController().getFrontier().schedule(caUri); } } }
然后，在 modules 文件夹中的 Processor.options 中添加一行“org.archive.crawler.postprocessor.FrontierSchedulerForBjfu|FrontierSchedulerForBjfu”，这样在爬虫的 WebUI 中就可以选择我们扩展的 org.archive.crawler.postprocessor.FrontierSchedulerForBjfu 选项。
最终的抓取页面如图4.1所示，可以看出，抓取到的页面都是zju内部的URI，与第一次的抓取结果相比，多余的无关的URI已经全部排除。这样简单的一个扩展类就实现了简单的抓取目标。当然还可以在扩展类里添加更多的抓取规则，获取更精确更有意义的抓取结果。
图4.1 第二次抓取任务结果
五、小结
目前，搜索引擎技术越来越受关注，其应用领域也越来越广。在搜索引擎的开发过程中，使用一个优秀的爬虫来获得所需要的网页信息是第一步，也是整个系统成功的关键。本文首先详细介绍了在Windows环境用Eclipse配置Heritrix的方法，配置成功后，实现第一个抓取任务。然后对控制类进行扩展。实现一个面向特定主题的抓取任务。
文中所设计的面向特定主题的网络爬虫的扩展应用，可针对某一特定主题快速搜集数据，并且该方法具有通用性，易于移植到其他网站上应用，例如可为电子商务的数据挖掘准备数据源。
参考文献
[1] Kristinn Sigurðsson. Incremental crawling with Heritrix. National and University Library of Iceland[M].2008
[2] 白万民，苏希乐.Heritrix在垂直搜索引擎中的应用[J].计算机时代,2011(9)
[3] 朱 敏，罗省贤.基于 Heritrix 的面向特定主题的聚焦爬虫研究[J]. 计算机技术与发展，2012 (2)
[4] 刘显一. 基于Lucene和Heritrix的主题搜索引擎的设计与实现[M].北京邮电大学.2012.8
[5] 张敏. 基于Heritrix 限定爬虫的设计与实现[J].计算机应用与软件.2013.4(4)
[6] 杨 颂，欧阳柳波．基于 Heritrix 的面向电子商务网站增量爬虫研究［J］． 软件导刊，2010，9( 7) : 38－39．
[7] 杨定中，赵 刚，王 泰．网络爬虫在 Web 信息搜索与数据挖掘中的应用[J]．计算机工程与设计，2009，30( 24)
[8] 邱 哲，符滔滔． Lucene 2．0+Heritrix 开发自己的搜索引擎[M].北京: 人民邮电出版社，2007
Dive into Spring framework -- 了解基本原理（一）
在继续我们的分析之前，推荐各位静心来读一下<<Expert_OneOne_J2EE_Design_and_Development>> 第四章, 正如spring BeanFactory
API 中描述的。这一章主要说明了设计原则，设计模式，异常处理，反射等各个方面。本来也是想着直接来分析代码，但我们应该知其然也要知其所以然，为了能加深理解Johnson创建框架的设计思路，就引入了这一部分。
从spring的核心概念IoC入手，IoC的主要含义到底是针对哪个部分来说明的？是在xml配置的对象之间的关系么？针对这个IoC，我们应该如何应用？还是应该看看spring到底是怎么应用的。
关于设计原则，比较推荐看看《敏捷软件开发》，这里面有最基本的设计原则的汇总，而expert书中都有不谋而合的理论。为了全面，还是结合了《敏捷》里面的原则，主要罗列如下:
OCP（开闭原则）
在日常的开发分析过程中，经常会遇到设计问题，我们的框架需要满足任何需求的变更，设计模式里面经常这样来说明某个设计模式如何应对变化。但是所有的设计模式实际上都是建议我们如何应对这样的变化，应该如何考虑我们的框架，于是按照《敏捷》里面的定义：对扩展开放，对更改封闭。所以对于特定的需求设计，主要需要考虑的就变成了，如何来划分扩展的部分和更改的部分。不再重复《敏捷》里面的例子，但是看完其Shape的例子，首先应该考虑的就是抽象，抽象就是我们要找的扩展和更改的界限。
在接收到一个需求的时候，我们可以不顾一切的面向对象，直接写出一些class，然后让他们互相依赖，快速的完成这些功能。那么接下来如果还有任何需求变更，就要直接修改那些类之间的依赖关系，这就如一个食物链，如果最底层的生物有什么问题，那这条链子就会受影响，当然食物链这个类比有点牵强，毕竟一种生物不会一直吃一种食物，但我们假设是那样的。类之间的直接依赖类似于这样的关系，如果我们变了最底层的依赖，可能影响它的上层，上层也有可能进一步影响上层。如果像食物链那样，每种生物有多种食物，也就是在处理依赖时，能给依赖多重选择。应该如何来考虑这个“多重选择” ， 当然应该是接口。《敏捷》在Shape示例中，由过程性代码转变成OO代码，主要是加入了抽象，使得“引用”依赖接口中的“动作”，而并不是“具体对象”。这是需要特别强调的，就是不要依赖对象，要依赖动作，而java里面的interface就是“动作”的集合。
SRP（单一职责）
首先我们要明确的是何为职责，根据《敏捷》里面的定义，“引起变化的原因”。在日常开发里面，这种状况太普遍了，作为开发大军中的一员，就是这么过来的，曾经有个action类可以有3W行代码。想想这个代码行数，就知道导致它发生变化的原因多的很。如果（要是都有如果就好了）当年咱能顿悟出这么几个原则，就不说当年了，现在起就应该结合SRP和OCP来进行最初始的设计划分。
一般的web应用项目，在action之后总是按照三层的概念实现底层，一个使用struts 1/struts2的项目总是会有比较雍容的action层，但service层却仅仅是dao的封装。于是一个贫血的架构就变得家喻户晓。
但我们经常忽略那些业务上的划分，那么结合框架和业务，应该如何来考虑这种划分呢?首先一个action受http的影响（输入和输出），输入参数的各种验证，然后根据各种判断来调用某个service。从整体架构上讲，虽然是隔离了dao，但在业务层（action+service）会很臃肿。尤其是action就是个定时炸弹，承担各种职责。这个时候，就应该考虑一下设计模式来隔离一部分，划分出变化的和不变的。
LSP（Liskov替换原则）
《敏捷》定义为：子类型必须能够替换基类型。
这个定义里面有着对继承关系的强制性定义。其实在我们的日常使用中，出现比较多的问题应该是，一个类继承了很多没用的功能，这多是由于没有明确划分功能范围引起的接口方法污染。其实在一个子类不能完全替换父类的时候，就应该引起我们的警觉，是否应该按照SRP和OCP进行调整，LSP就像是一个标杆原则，总是要我们检验继承关系。
DIP（依赖注入）
《敏捷》认为所有的依赖都不应该是直接的类依赖，而应该是基于抽象。这个跟《Expert》的Achieve Loose Couple with Interfaces的出发点是一致的。上层不应该直接依赖底层，而都应依赖抽象，这里要强调两个东西，一个是何为抽象，一个是何为依赖。抽象应该是动作的抽象，那就是接口。而依赖则不仅仅是引用某个对象算是依赖，实现了某个接口也是一种依赖。
ISP（接口隔离）
在SRP的阐述中，就说起那个场景，我们的一个类里面可能不得不实现不必要的接口，这些上层接口的变化会影响实现类。在ISP中，就要求“不要强迫用户依赖不使用的方法”。接口的划分应该是基于业务需要的，如果一个interface中包含了几个业务动作，那么这不仅仅不符合SRP的原则，同时给依赖方也带来不必要的麻烦，那就是他们不得不实现不用的方法。出现这种情况的时候，我们应该考虑精细划分客户方的范围，从而针对不同的客户方，提供特别的接口动作。
以上主要是从《敏捷》中借鉴来的基本的设计原则，最开始的时候说过了，就是因为有异曲同工的基础，才考虑到直接引用《敏捷》的内容。在我看完《敏捷》之后的感觉就是，这本书要一直伴随我的左右，要深入的实践体会那些设计原则和模式。实际上这些原则都不能独立的套用，而是相辅相成的。在上面的原则描述中，都基于一个最基本的基础就是抽象。依赖抽象去实现OCP，如确认一种依赖之后，为了以后的变化，上层依赖的是接口，而底层则可能是通过策略模式等设计模式来开放给需求的变更，而这又恰恰是DIP所要求的。spring作为使用如此广泛的框架，其设计必然符合这些基本原则，才能为我们提供那些不变的依赖，和我们业务中变化的需求，那么spring中的OO设计原则又特别强调哪几个方面？
再次强调，《Expert》的chapter 4绝对值得读5遍以上，这一章摊开来就可以写一本书，其中有一些引用资料，也极有参考价值。在写这篇blog的时候，最开始特别想赶进度快点写点东西，但是再来回味《Expert》却发现以前那么一些原则，在前几年的开发里面好像没有多少顾忌的。所以就把这一章反复读了4遍，才略下本文，希望以后能够铭记和实践。
下一部分看看spring的作者Rod Johnson是参考了哪些基本原则，考虑到哪些方面来实现了伟大的spring framework？
转载请注明出处。