關于搜尋引擎書籍中國目前比較少，有過這方面了解的朋友一般都看過2007年人民郵電出版 lucene 2.0+heritrix 這本書吧。本人感覺還不錯，理論知識較少點，具體步驟還比較詳細。适合初學者。
簡單介紹下heritrix： heritrix 是Java編寫的開源爬蟲。 擴充性比較好，但是配置适合的采集規則，比較複雜難了解。适合學習和研究。
此書中的heritrix在eclipse中的配置寫的不夠詳細，我把自己成功的配置貢獻給大家。
<1>首先要去官網下載下傳最新版本的heritrix。下載下傳位址為：
http://sourceforge.net/project/showfiles.php?group_id=73833&package_id=73980
選擇檔案注意為zip字尾格式的，gz格式為linux下檔案。
選擇這兩個檔案heritrix-1.14.3-src.zip heritrix-1.14.3.zip 下載下傳。
<2>
把下載下傳好的檔案解壓。
<3>
配置過程：
1、建立Java Project工程
在Eclipse中建立一個Java Project工程(注意：一定是Java Project的工程，不是Web Project工程)，工程名稱為Heritrixproject。（名字可随便起）
以我的為例，對應地，工程Heritrixproject在本地磁盤目錄D:/eclipse-SDK-3.2.1-win32/workspace下面。
可以在目錄D:/eclipse-SDK-3.2.1-win32/workspace/Heritrixproject下面看到：兩個工程屬性檔案.classpath和.project、兩個檔案目錄bin和src。
删除掉兩個檔案目錄bin和src。
2、向建立的Java Project添加Heritrix-1.14.3檔案
(1) 将目錄E:/Heritrix/heritrix-1.14.3-src/heritrix-1.14.3/src/java/下面的三個目錄：org、com、st一起拷貝到建立工程Heritrixproject目錄下面(絕對路徑為D:/eclipse-SDK-3.2.1-win32/workspace/Heritrixproject)。
(2) 将目錄E:/Heritrix/heritrix-1.14.3-src/heritrix-1.14.3/src/conf/下面的：三個目錄(包括：modules、profiles、selftest)，以及四個檔案(包括：heritrix.properties、jmxremote.password.template、heritrix.cacerts、jndi.properties)一起拷貝到建立的工程Heritrixproject目錄下面。
(3) 将目錄E:/Heritrix/heritrix-1.14.3-src/heritrix-1.14.3/src/resources/下面的三個檔案(包括：arcMetaheaderBody.xsl、README.txt，其中README.txt沒有用處是顯而易見的)拷貝到建立的工程Heritrixproject目錄下。
(4) 将目錄E:/Heritrix/heritrix-1.14.3/heritrix-1.14.3/下面的webapps目錄拷貝到建立工程Heritrixproject目錄下面(絕對路徑為D:/eclipse-SDK-3.2.1-win32/workspace/Heritrix-1.14.3)，這裡，webapps目錄下面有兩個WAR包(即admin.war和selftest.war)。
(5)将E:/Heritrix/heritrix-1.14.3/heritrix-1.14.3/下的lib檔案夾拷貝到工程下。
3、修改建立的Java Project工程的配置檔案
(1) 打開目錄D:/eclipse-SDK-3.2.1-win32/workspace/Heritrixproject下面的.classpath檔案，可以看到共有下面6行：
<?xml version="1.0" encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path="src"/>
<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="output" path="bin"/>
</classpath>
可以看到，建立Java Project工程之後，src是資源目錄，是以在Eclipse開發平台上，在src下面建立的資源目錄呈包結構組織。kind屬性指定工程中顯示的資源目錄，path指定了在該path(Eclipse預設為src)下的資源目錄都呈包結構組織。
将上面的内容做很大的修改，修改内容如下所示：(注意：這個地方裡面的lib下的jar就是拷貝到工程下lib裡面的jar。如果你用的最新版本的可能與這個jar檔案不一樣，這個你就要做相應的修。此時的最新版本為heritrix-1.14.3)
<?xml version="1.0" encoding="UTF-8"?>
<classpath>
<classpathentry kind="src" path=""/>
<classpathentry kind="con" path="org.eclipse.jdt.launching.JRE_CONTAINER"/>
<classpathentry kind="lib" path="lib/ant-1.6.2.jar"/>
<classpathentry kind="lib" path="lib/bsh-2.0b4.jar"/>
<classpathentry kind="lib" path="lib/commons-cli-1.0.jar"/>
<classpathentry kind="lib" path="lib/commons-codec-1.3.jar"/>
<classpathentry kind="lib" path="lib/commons-collections-3.1.jar"/>
<classpathentry kind="lib" path="lib/commons-httpclient-3.1.jar"/>
<classpathentry kind="lib" path="lib/commons-lang-2.3.jar"/>
<classpathentry kind="lib" path="lib/commons-logging-1.0.4.jar"/>
<classpathentry kind="lib" path="lib/commons-net-1.4.1.jar"/>
<classpathentry kind="lib" path="lib/commons-pool-1.3.jar"/>
<classpathentry kind="lib" path="lib/dnsjava-2.0.3.jar"/>
<classpathentry kind="lib" path="lib/fastutil-5.0.3-heritrix-subset-1.0.jar"/>
<classpathentry kind="lib" path="lib/itext-1.2.0.jar"/>
<classpathentry kind="lib" path="lib/jasper-compiler-tomcat-4.1.30.jar"/>
<classpathentry kind="lib" path="lib/jasper-runtime-tomcat-4.1.30.jar"/>
<classpathentry kind="lib" path="lib/javaswf-CVS-SNAPSHOT-1.jar"/>
<classpathentry kind="lib" path="lib/je-3.3.75.jar"/>
<classpathentry kind="lib" path="lib/jetty-4.2.23.jar"/>
<classpathentry kind="lib" path="lib/junit-3.8.2.jar"/>
<classpathentry kind="lib" path="lib/libidn-0.5.9.jar"/>
<classpathentry kind="lib" path="lib/mg4j-1.0.1.jar"/>
<classpathentry kind="lib" path="lib/poi-2.0-RC1-20031102.jar"/>
<classpathentry kind="lib" path="lib/poi-scratchpad-2.0-RC1-20031102.jar"/>
<classpathentry kind="lib" path="lib/servlet-tomcat-4.1.30.jar"/>
<classpathentry kind="output" path=""/>
</classpath>
其中：
上面的<classpathentry kind="src" path=""/>中，指定src為""，這表示，隻要在該工程的根目錄下面建的目錄資源都呈現表結構組織；
上面的kind為lib，對應的就是我們拷貝到工程目錄下面的lib，path的值就是該lib目錄下面的所有的jar檔案。
4.配置外部jar包，
切換到eclipse視窗下，重新整理下工程。
右鍵單擊工程，選擇【Build Path】—> 【Add External Archives】在彈出的視窗中選擇添加目錄heritrix-1.12.1-src/heritrix-1.12.1/lib。
再次重新整理下工程。沒有錯誤提示了。
5、修改heritrix.properties屬性檔案
打開heritrix.properties屬性檔案，可以看到預設情況下，Heritrix-1.14.3的屬性檔案如下所示：
##############################################################################
# H E R I T R I X P R O P E R T I E S
##############################################################################
# Properties with 'heritrix.' or 'org.archive.crawler.' prefix get loaded
# into System.properties on startup so available via System.getProperties.
# Version is filled in by the maven.xml pregoal. It copies here the project
# currentVersion property.
heritrix.version = @VERSION@
# Location of the heritrix jobs directory.
heritrix.jobsdir = jobs
# Default commandline startup values.
# Below values are used if unspecified on the command line.
heritrix.cmdline.admin =
heritrix.cmdline.port = 8080
heritrix.cmdline.run = false
heritrix.cmdline.nowui = false
heritrix.cmdline.order =
heritrix.cmdline.jmxserver = false
heritrix.cmdline.jmxserver.port = 8081
上面四行紅色辨別的代碼行，一般來說，需要修改。
第一行，heritrix.version指定了Heritrix的版本号，因為我們測試的是版本号為1.14.3，修改為：
heritrix.version = 1.14.3
第二行，heritrix.jobsdir指定了Heritrix在執行抓取任務時，抓取到的内容存放的目錄，預設在工程下面的jobs目錄下面。
第三行，heritrix.cmdline.admin指定了登入WebUI時使用的帳号，預設為空，可以自己随意設定，設定需要按照一定的格式(使用者名:密碼)，我們修改為：
heritrix.cmdline.admin = admin：admin
其中，使用者名和密碼使用“:”分隔。
第四行，heritrix.cmdline.port指定了運作Heritrix背景程式，監聽的WebUI使用的端口号，預設為8080端口，可以設定一個目前沒有占用的端口号，比如我們修改為：
heritrix.cmdline.port = 9090
、啟動Heritrix背景程式
回到Eclipse平台視窗，找到建立的Java Project工程Heritrixproject中，資源包org.archive.crawler下面的Java類檔案Heritrix.java，右鍵單擊Heritrix.java檔案，選擇【Run As】—> 【Java Application】選項，便看見Heritrix背景已經啟動了，在Eclipse控制台【Console】中可以看到啟動過程的詳細資訊，如下所示：
7、登入WebUI
現在，可以成功登入WebUI，設定抓取任務了。
在浏覽器位址欄中鍵入位址連結 http://localhost:9090，可以看到WebUI登入界面.
至此heritrix的配置就完成了，以後就要開始抓起資訊，後面我還會把heritrix的抓取配置分享給大家。
![Java String.format方法的簡單使用[圖]](data:image/gif;base64,R0lGODlhAQABAIAAAP///wAAACwAAAAAAQABAAACAkQBADs=)