我想通过nutch在文本文件中获取抓取的内容。我使用了#readseg逗号,但输出效果不佳。如何在nutch中获取抓取的页面内容和相应的URL?
是否有一些插件可以让nutch抓取并存储文本文件中的网址和内容。
我想通过nutch在文本文件中获取抓取的内容。我使用了#readseg逗号,但输出效果不佳。如何在nutch中获取抓取的页面内容和相应的URL?
是否有一些插件可以让nutch抓取并存储文本文件中的网址和内容。
使用Nutch 1,你可以做这样的事情:
./bin/nutch readseg -get out-crawl/segments/20160823085007/ "https://en.wikipedia.org/wiki/Canon" -nofetch -nogenerate -noparse -noparsedata -noparsetext > Canon.html
它仍然有几行在文件的开头摆脱。
您可以修改Nutch的Fetch Job以在抓取过程中获取URL和页面内容属于这些URL。在源代码文件(SRC/JAVA /组织/阿帕奇/ Nutch的/提取器/ FetcherReducer.java):
case ProtocolStatusCodes.SUCCESS: // got a page
String URL= TableUtil.reverseUrl(fit.url); //URL
content = Bytes.toString(ByteBuffer.wrap((content.getContent()))));//URL belong the URL
output(fit, content, status, CrawlStatus.STATUS_FETCHED);
break;
希望这有助于
李全安待办事项
该插件应该在nutch的linux版本中工作。 – Rahul
也许[这](http://stackoverflow.com/questions/5123757/how-to-get-the-html-content-from-nutch)问题可以帮助。 – Mike