【发布时间】：2013-07-18 23:54:12
【问题描述】：
由于 Heritrix 3.x 的开发人员文档基本上已经过时（其中大部分与 Heritrix 1.x 有关，因为大多数类已更改或代码已显着重写/重构），谁能指出我到处理实际网页内容提取的系统的相关类（或多个类）？
我想要做的是获取Heritrix即将抓取的网页内容，然后将分类器应用于网页内容？ （分析结构特征等）我认为这个功能可能分布在 ContentExtractor 类及其许多子类中，但我想做的是找到我拥有整个网页内容或在一个可读/可解析的流。 Heritrix 应用正则表达式的内容（html）在哪里（以查找链接、某些文件类型等）？
【问题讨论】：
标签： java web-crawler webpage document-classification heritrix