如何使用带有Heritrix 3.1的HeaderedArchiveRecord遍历WARC文件

Question

我正在使用Heritrix 3.1 Java库。 需要明确的是，我对爬网不感兴趣，而仅对处理另一个团队生成的压缩WARC（* .warc.gz）文件中的数据感兴趣。 对于WARC文件中存储的每个WWW文档，我都需要记录头中的一些信息，HTTP标头中的一些信息以及HTTP有效负载/主体的全部内容，因此我认为我需要使用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();

当我运行它时，由于这个原因我得到了一个例外

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行如上所述。 我的makeDocumentHeritrix(...)方法中的代码曾经引发类似的异常，但是在我移动hrecord.skipHttpHeader();之前Failed to find WARC_MAGIC hrecord.skipHttpHeader(); 到Header[] httpHeader = record.getContentHeaders(); 在里面。

我曾尝试在网上搜索代码示例以遍历WARC文件中的记录，但没有找到任何示例，并且我还记得几年前我使用heritrix 1.14做类似的事情时，我不得不做一些奇怪的事情来处理文件中的偏移量，但是WARCReader中的相关方法现在都是私有的或受保护的，因此我不希望必须使用较新的库来执行此操作。

Answer 1

我成功完成了以下代码：

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