Heritrix的类的确很繁琐,往往继承了一层又一层,最多的继承好像有7层。下面就一个包一个包的说明每个类的作用，由于里面Heritrix组件分明，很多组件没用到的同时该组件的类我也没怎么接触,所以这里会忽略一部分，如果有知道的请补充，谢谢！如果对包还有不熟悉的,可以查看我前面的文章,这里也给出链接http://guoyunsky.iteye.com/admin/blogs/613249
1.org.archive.crawler
| 序号 | 类 | 说明 |
| 1 | CommandLineParser | Heritrix也可以通过CMD命令进行操作,该类用于解析CMD命令 |
| 2 | Heritrix | Heritrix主类,可以通过该类启动Heritrix |
| 3 | SimpleHttpServer | Heritrix Web服务器,可以通过Web管理Heritrix |
| 4 | WebappLifecycle | 封装Servlet,如此才可以通过Web启动Heritrix,里面装载Heritrix对象 |
2.org.archive.crawler.admin
| 序号 | 类 | 说明 |
| 1 | CrawlJob | Heritrix的核心类,代表着一个抓取任务,order.xml中大部分属性都围绕其配置,以后会着重说明 |
| 2 | CrawlJobErrorHandler | 维护者一个抓取任务(CrawlJob)的错误日志,UI中显示的JOB错误就来自于它 |
| 3 | CrawlJobHandler | 抓取任务处理器,Heritrix可以有多个抓取任务,都由它进行管理 |
| 4 | InvalidJobFileException | 抓取任务文件异常,意义不大 |
| 5 | SeedRecord | 记录种子的处理记录,如该种子重定向到哪个URL,在seeds.txt里面会有说明，该重定向值就来源于它 |
| 6 | StatisticsSummary | 统计摘要类，所用不多 |
| 7 | StatisticsTracker | Heritrix核心类，统计跟踪器,贯穿整个Heritrix的运行,如统计抓取了多少URL，以后会着重说明 |
3.org.archive.crawler.admin.ui
| 序号 | 类 | 说明 |
| 1 | CookieUtils | Cookie工具类,主要用于访问Cookie |
| 2 | JobConfigureUtils | CrawlJob配置管理工具类,当你通过Web Ui去配置一个CrawlJob时就会用到这个类 |
| 3 | RootFilter | 不熟 |
4.org.archive.crawler.datamodel
| 序号 | 类 | 说明 |
| 1 | CandidateURI | Heritrix的核心类,代表着一个URL,贯穿整个抓取,与CrawlURI的区别是它还没有通过调度器(Frontier)，只有通过了调度器的URL才可能去获取网页内容区下载等，以后会着重说明 |
| 2 | CandidateURITest | CandidateURI的测试类,比如可以用它获知如何创建CanditeURI |
| 3 | Checkpoint | Heritrix会定期备份它的数据,如日志、正在获取的URL内容，都是在底层定时运行,当Heritrix异常中断可以通过它来恢复.也类似于各个数据库的Ckeckpoint |
| 4 | CoreAttributeConstants | 装载着Heritrix的基本属性变量名,一般是对应order.xml中的标签名 |
| 5 | CrawlHost | Heiritrix的核心类,代表着一个Host，里面主要包含域名、IP。由于Heritrix可以控制抓取速度，如对一个Host的抓取速度,这个类就代表着那个Host.以后会着重说明 |
| 6 | CrawlOrder | Heritrix的核心类,基本上对应着order.xml的各个属性值,除了各个组件的详细属性，以后会着重说明 |
| 7 | CrawlServer | Heritrix的核心类,也对应着一个Host,里面装载着一个Host的各种Heritrix数据,如统计信息、爬虫协议 |
| 8 | CrawlSubstats | 抓取统计类,主要统计抓取Url的个数、成功的个数、下载的字节数等等 |
| 9 | CrawlURI | CandidateURI的子类,主要比CaidiateURI多了网页内容指纹、所属队列、组件处理器等 |
| 10 | CredentialStore | 凭证存储类，负责存储各种凭证,如登陆 |
| 11 | FetchStatusCodes | 抓取状态,有不同的属性代表不同的抓取状态,如DNS获取成功：S_DNS_SUCCESS |
| 12 | RobotsHonoringPolicy | 爬虫协议,代表着不同的抓取策略 |
| 13 | Robotstxt | 爬虫协议,用于解析robots.txt |
| 14 | ServerCache | 服务器缓存,主要缓存CrawlHost和CrawlServer |
| 15 | UriUniqFilter | 接口,用于过滤已经抓取过的URL |
5.org.archive.crawler.datamodel.credential
| 序号 | 类 | 说明 |
| 1 | Credential | 凭证类,代表着一个凭证,从order.xml配置文件中获取数据 |
| 2 | CredentialAvatar | 代表着一个具体的凭证 |
| 3 | HtmlFormCredential | Credential的子类,代表着提交HTML FORM表单时所需要的凭证 |
| 4 | Rfc2617Credential | Credential的子类,代表着RFC2617 HTTP 认证凭证 |
6.org.archive.crawler.deciderules
| 序号 | 类 | 说明 |
| 1 | AcceptDecideRule | URL规则,表示接受 |
| 2 | ConfiguredDecideRule | URL规则，通过order.xml文件中的配置来决定是否拒绝(REJECT)或接受(ACCEPT) |
| 3 | DecideRule | URL规则的父类,审核一个URL是否接受(ACCEPT)、拒绝(REJECT)或放弃(PASS),通过decisionFor(Object object)方法,该方法由其子类实现 |
| 4 | DecidingScope | 验证一个URL是否在范围来决定是否接受、拒绝或放弃 |
| 5 | MatchesRegExpDecideRule | 通过配置的正则表达式来决定URL是否可接受、拒绝或放弃 |
| 6 | NotMatchesRegExpDecideRule | MatchesRegExpDecideRule的子类,如果URL不匹配该正则则接受 |
| 7 | PathologicalPathDecideRule | 如果URL中相同目录名超过配置文件中的个数,则拒绝,如http://www.xxx.com/a/a/a/a/a其中a的个数超过一定限制则拒绝 |
| 8 | PrerequisiteAcceptDecideRule | 如果URL中有先决条件URL则接受,也就是该CandidateURI里的pathFromSeed属性里含有P,表示运行该URL之前有先要运行的URL |
| 9 | RejectDecideRule | URL规则，表示拒绝 |
| 10 | TooManyHopsDecideRule | 如果超过配置文件中的约点数(max-hops),则拒绝 |
7.org.archive.crawler.event
| 序号 | 类 | 说明 |
| 1 | CrawlStatusListener | 爬虫监听器,如监听爬虫是否在运行，是否暂停等 |
| 2 | CrawlURIDispositionListener | URL监听器,如监听URL是否失败，是要要重新抓取等 |
8.org.archive.crawler.extractor
| 序号 | 类 | 说明 |
| 1 | Extractor | 所有抽取类的父类,用于从一个URL中抽取出新的URL |
| 2 | ExtractorCSS | 从CSS中抽取出新的URL |
| 3 | ExtractorDOC | 从DOC中抽取出新的URL |
| 4 | ExtractorHTML | 从HTML中抽取出新的URL,Heritrix核心类 |
| 5 | ExtractorHTTP | 从HTTP中抽取出新的URL |
| 6 | ExtractorJS | 从Javascript中抽取出新的URL |
| 7 | ExtractorPDF | 从PDF中抽取出新的URL |
| 8 | ExtractorSWF | 从SWF中抽取出新的URL |
| 9 | ExtractorXML | 从XML中抽取出新的URL |
| 10 | HTTPContentDigest | 网页内容文摘,实际上是通过MD5或SHA1算法将网页内容指纹化 |
| 11 | Link | 链接,代表抽取出来的URL |
9.org.archive.crawler.fetcher
| 序号 | 类 | 说明 |
| 1 | FetchDNS | 获取DNS数据,如IP |
| 2 | FetchFTP | 获取FTP数据 |
| 3 | FetchHTTP | 获取HTTP数据 |
| 4 | HeritrixHttpMethodRetryHandler | HTTP重试处理器,重新去连接HTTP |
10.org.archive.crawler.framework
| 序号 | 类 | 说明 |
| 1 | AbstractTracker | 统计器,统计抓取情况,父类，具体统计由子类实现 |
| 2 | AlertManager | UI界面消息管理器,给用户显示爬虫相关消息，如一些异常情况 |
| 3 | Checkpointer | 备份器,定时备份Heritrix相关数据,如日志、BDB文件等 |
| 4 | CrawlController | 控制器,控制整个爬虫的启动、暂停、停止等,Heritrix的核心类 |
| 5 | CrawlScope | URL范围管理器,如种子、哪些URL符合抓取哪些URL不符合抓取 |
| 6 | Filter | 过滤器,决定哪些URL可以抓取哪些不可以,父类,具体由子类实现 |
| 7 | Frontier | 调度器,对进来的URL进行调度，使其在接来下可以抓取 |
| 8 | Processor | 处理器,一个URL由不同的处理器(组件)合作完成,这个为处理器父类,不同的组件有不同的实现 |
| 9 | ProcessorChain | 处理器链,包含相同类型的处理器,如抽取URL的时候有从Html抽取的ExtractorHTML，从JavaScript抽取的ExtractorJs |
| 10 | ProcessorChainList | 处理器链集合,包含多个处理器链,每个URL都会有这样一个处理器集合,使得先从该集合中获取处理器链,然后再从处理器链中获取每个处理器,最后让每个处理器都做他们的处理，完成整个抓取 |
| 11 | Scoper | 范围管理器,验证一个URL是否在用户配置(从order.xml中获取)的范围 |
| 12 | StatisticsTracking | 跟踪统计器,主要统计抓取情况,如宽带占用、抓取多少URL、抓取速度等，贯穿整个爬虫的运行 |
| 13 | ToePool | 线程池,用于管理爬虫线程 |
| 14 | ToeThread | 爬虫线程,代表着一个抓取,Heritrix的核心类,贯穿整个爬虫的运行，接下来会重点分析 |
| 15 | WriterPoolProcessor | 写处理器管理池,用于管理多个写处理器,可以在分布式中使用 |
11.org.archive.crawler.frontier
| 序号 | 类 | 说明 |
| 1 | AbstractFrontier | 调度器基本实现类,Heritrix最复杂的地方之一，接下来会重点分析 |
| 2 | BdbFrontier | BDB调度器,用BDB数据库去管理所有的URL,如保存哪些待抓取的URL，哪些已经抓取的URL,Heritrix最复杂的地方之一，接下来会重点分析 |
| 3 | BdbMultipleWorkQueues | 管理着所有的队列,所有的队列数据保存在BDB数据库中.Heritrix最复杂的地方之一，接下来会重点分析 |
| 4 | BdbWorkQueue | 抓取队列由BDB存储管理,相同classkey的URL为一个队列.classkey由用户配置决定，Heritrix默认是相同host的URL就为一个队列.Heritrix最复杂的地方之一，接下来会重点分析 |
| 5 | FrontierJournal | 调度器记录管理,记录调度器的每一次运行情况,如插入URL，插入失败URL等 |
| 6 | HostnameQueueAssignmentPolicy | URL ClassKey获得策略,Heritrix的默认策略，通过域名来获得URL的class key。然后相同的classkey存放相同的队列 |
| 7 | IPQueueAssignmentPolicy | URL ClassKey获得策略,这个策略是通过IP来获得URL的class key |
| 8 | QueueAssignmentPolicy | URL ClassKey获得策略，该类是抽象类,不同的策略由不同的子类实现，如根据域名、IP等，用户可以自己扩展 |
| 9 | RecoveryJournal | 管理着/logs/recover.gz，该文件记录所有的URL抓取情况，如抓取成功、失败都有不同的对应格式。该文件主要用于下次Heritrix恢复，如Heritrix异常中断重新启动Heritrix的话又会重新抓取，而如果基于该文件启动的话则会避免这个问题，同时对于上次异常中断而来不及抓取的URL都会优先抓取 |
| 10 | RecyclingSerialBinding | 给每个线程分配的数据输出流管理器,里面用ThreadLocal来管理每个线程的数据输出流，如此可以节省大量重复序列化 |
| 11 | WorkQueue | 代表着一个队列,抽象类,会有不同的子类实现，如由BDB存储数据的BdbWorkQueue,Heritrix最复杂的地方之一，接下来会重点分析 |
| 12 | WorkQueueFrontier | 队列调度器,管理着所有的队列，里面用不同的类型管理着不同的队列，如不在活动状态队列：Queue<String> inactiveQueues.可以说是Heritrix中最为复杂最为关键的类,接下来会重重点分析 |