解决Heritrix镜像方式存储路径中文乱码的解决方案

在解决此问题前先看看为何会出现乱码。

以中国文物网为例,下面的一个路径下有图片，如下

http://www.wenwuchina.com/uploads/conew_刘亚东老师现场弹奏《潇湘水云》_conew1.jpg

，当在浏览器输入该地址时，浏览器会将其编码为如下地址

http://www.wenwuchina.com/uploads/conew_%E5%88%98%E4%BA%9A%E4%B8%9C%E8%80%81%E5%B8%88%E7%8E%B0%E5%9C%BA%E5%BC%B9%E5%A5%8F%E3%80%8A%E6%BD%87%E6%B9%98%E6%B0%B4%E4%BA%91%E3%80%8B_conew1.jpg。

红色部分就是浏览器对中文进行编码后的路径。

Heritrix就是以此路径来访问该资源的，当以镜像方式存储下载的资源时，最终就会以conew_%E5%88%98%E4%BA%9A%E4%B8%9C%E8%80%81%E5%B8%88%E7%8E%B0%E5%9C%BA%E5%BC%B9%E5%A5%8F%E3%80%8A%E6%BD%87%E6%B9%98%E6%B0%B4%E4%BA%91%E3%80%8B_conew1.jpg的文件名来存储该资源，就产生的所谓的乱码。

解决方案就是在其创建路径时对路径名进行编码，主要代码在org.archive.crawler.writer. MirrorWriterProcessor类下的方法LumpyString方法。

为了尊重源码，我没有对原来的方法进行改动，新建了org.archive.crawler.writer. MirrorWriterForWenwuchinaProcessor类，来对heritrix进行扩展。复制了org.archive.crawler.writer. MirrorWriterProcessor类中所有代码，并对LumpyString进行必要的改动。如下（红色为修改的部分）

代码如下

复制代码

LumpyString(String str, int beginIndex, int endIndex, int padding,
                     int maxLen, Map characterMap, String dotBegin) {
             if (beginIndex < 0) {
                 throw new IllegalArgumentException("beginIndex < 0: "
                                                    + beginIndex);
             }
             if (endIndex < beginIndex) {
                 throw new IllegalArgumentException("endIndex < beginIndex "
                     + "beginIndex: " + beginIndex + "endIndex: " + endIndex);
             }
             if (padding < 0) {
                 throw new IllegalArgumentException("padding < 0: " + padding);
             }
             if (maxLen < 1) {
                 throw new IllegalArgumentException("maxLen < 1: " + maxLen);
             }
             if (null == characterMap) {
                 throw new IllegalArgumentException("characterMap null");
             }
             if ((null != dotBegin) && (0 == dotBegin.length())) {
                 throw new IllegalArgumentException("dotBegin empty");
             }

             // Initial capacity. Leave some room for %XX lumps.
             // Guaranteed positive.
             int cap = Math.min(2 * (endIndex - beginIndex) + padding + 1,
                                maxLen);
             string = new StringBuffer(cap);
             aux = new byte[cap];
             for (int i = beginIndex; i != endIndex; ++i) {
                 String s=str.substring(i, i + 1);
                 try {
                     s = new String(s.getBytes(),"GB2312");
                 } catch (UnsupportedEncodingException e) {
                     // TODO Auto-generated catch block
                     e.printStackTrace();
                 }
                 String lump; // Next lump.
                 if (".".equals(s) && (i == beginIndex) && (null != dotBegin)) {
                     lump = dotBegin;
                 } else {
                     lump = (String) characterMap.get(s);
                 }
                 if (null == lump) {
                     if ("%".equals(s) && ((endIndex - i) > 2)
                             && (-1 != Character.digit(str.charAt(i + 1), 16))
                             && (-1 != Character.digit(str.charAt(i + 2), 16))) {

                         // %XX escape; treat as one lump.
                         lump = str.substring(i, i + 3);
                         i += 2;
                     } else {
                         lump = s;
                     }
                 }
                 if ((string.length() + lump.length()) > maxLen) {
                     assert checkInvariants();
                     return;
                 }
                 append(lump);
             }
             assert checkInvariants();
         }

然后在

Processor.options里加入org.archive.crawler.writer. MirrorWriterForWenwuchinaProcessor选项，在Job里添加该处理器，进行抓取后，乱码消失。（如下图）

PS:对中文资源什么的出现乱码，网络上有很多解决方案了，大家可以自己查一下，也很简单，只需改动一行代码即可。

补充：Jsp教程,Java技巧及代码