Question

我认为需要帮助编译Heritrix决定规则，尽管我对其他Heritrix建议持开放态度：https://webarchive.jira.com/wiki/display/Heritrix/Configuring+Crawl+Scope+Using+DecideRules

我需要抓取一个网站的整个副本（在crawler-beans.cxml种子列表中），但不要刮掉任何外部（异地）页面。应下载呈现当前网站所需的任何外部资源，但不要访问任何指向异地页面的链接 - 仅限当前页面/域的资产。

例如，呈现页面所需的CDN内容可能托管在外部域（可能是AWS或Cloudflare）上，因此我需要下载该内容，并遵循所有域内链接，但不是按照指向当前域范围之外的页面的任何链接。

Answer 1

您可以使用3个决定规则：

第一个使用ContentTypeNotMatchesRegexDecideRule接受所有非HTML页面;
第二个接受当前域中的所有网址。
第三个拒绝不在域中的所有页面，而不是直接拒绝从域（theCheckVia选项）

类似的东西：

<bean id="scope" class="org.archive.modules.deciderules.DecideRuleSequence">
 <property name="rules">
  <list>
   <!-- Begin by REJECTing all... -->
   <bean class="org.archive.modules.deciderules.RejectDecideRule" />

   <bean class="org.archive.modules.deciderules.ContentTypeNotMatchesRegexDecideRule">
    <property name="decision" value="ACCEPT"/>
    <property name="regex" value="(?i)html|wml"/>
   </bean>
   <bean class="org.archive.modules.deciderules.surt.SurtPrefixedDecideRule">
    <property name="decision" value="ACCEPT"/>
    <property name="surtsSource">
     <bean class="org.archive.spring.ConfigString">
      <property name="value">
       <value>
        http://(org,yoursite,
       </value>
      </property> 
     </bean>
    </property>
   </bean>
   <bean class="org.archive.modules.deciderules.surt.NotSurtPrefixedDecideRule">
    <property name="decision" value="REJECT"/>
    <property name="alsoCheckVia" value="true"/>
    <property name="surtsSource">
     <bean class="org.archive.spring.ConfigString">
      <property name="value">
       <value>
        http://(org,yoursite,
       </value>
      </property> 
     </bean>
    </property>
   </bean>
  </list>
 </property>
</bean>

Heritrix单站点清理，包括所需的场外资产

1 个答案: