Question

我正在使用Heritrix 3.1 Java库。为了清楚起见，我对爬行不感兴趣，只是处理来自另一个团队生成的压缩WARC（* .warc.gz）文件的数据。对于存储在WARC文件中的每个WWW文档，我需要来自记录头的一些信息，一些来自HTTP头，以及HTTP有效负载/主体的完整内容，所以我认为我需要使用HeaderedArchiveRecord类。

WARCReader warcReader = WARCReaderFactory.get(warcFile);
int inputSequence = -1;

ArchiveRecord record = warcReader.get();
while(record != null){
  inputSequence++;

  // Skip the 0th record, which is just the archive guff.
  if (inputSequence == 0) {
    // print some info but do not process this record
  }
  else if (! record.hasContentHeaders()) {
    // print some info but do not process this record
  }
  else  {
    HeaderedArchiveRecord hRecord = new HeaderedArchiveRecord(record);
    ArchiveRecordHeader archiveHeader = hRecord.getHeader();
    gate.Document document = makeDocumentHeritrix(archiveHeader,
       inputSequence,  hRecord);
    //...
  }
  record.close();
  record = warcReader.get();  // line 754
}

warcReader.close();

当我运行此操作时，我会因此原因而出现异常

Caused by: java.io.IOException: Failed to read WARC_MAGIC
    at org.archive.io.warc.WARCRecord.parseHeaders(WARCRecord.java:116)
    at org.archive.io.warc.WARCRecord.<init>(WARCRecord.java:90)
    at org.archive.io.warc.WARCReader.createArchiveRecord(WARCReader.java:94)
    at org.archive.io.warc.WARCReader.createArchiveRecord(WARCReader.java:44)
    at org.archive.io.ArchiveReader.get(ArchiveReader.java:159)
    at
gate.arcomem.batch.Enrichment.makeCorpusWithHeritrix(Enrichment.java:754)

我的第754行如上所示。我的makeDocumentHeritrix(...)方法中的代码用于抛出类似的异常但使用Failed to find WARC_MAGIC，直到我将行hrecord.skipHttpHeader();移到Header[] httpHeader = record.getContentHeaders();之前。

我试图在网上搜索代码来循环查看WARC文件中的记录，但是没有找到任何代码，我记得当我几年前使用heritrix 1.14做类似的事情时，我不得不这样做一些奇怪的事情来操纵文件中的偏移量，但WARCReader中的相关方法现在都是私有的或受保护的，所以我不希望必须使用较新的库。

Answer 1

我使用以下代码取得了成功：

Iterator<ArchiveRecord> archIt = WARCReaderFactory.get(new File(args[0])).iterator();
while (archIt.hasNext()) {
     handleRecord(archIt.next());
}

如何使用HeaderedArchiveRecord和Heritrix 3.1循环使用WARC文件

1 个答案: