Some Hints for Nutch

本文分享了关于Nutch的几个小技巧,包括如何索引动态URL站点,可调整regex - urlfilter.txt或crawl - urlfilter.txt文件;编译Nutch要求Ant版本至少1.6以上;还介绍了验证regex - urlfilter是否正常的方法及示例。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

好久没关注Nutch了,看邮件列表,学到了几招关于 Nutch 的小技巧.

  • 如何索引动态 URL 站点?

    调整 regex-urlfilter.txt 或是 crawl-urlfilter.txt 文件. 参见行”# skip URLs containing certain characters as probable queries,后面的内容.

  • 编译 Nutch 需要用到的 Ant 版本至少要 1.6 以上.

  • 验证regex-urlfilter是否正常(by Michael Nebel):
    If you want to know, if your regex-urlfilter works as expectet, you can
    check it with the command:
    cat FILE-WITH-URLS | nutch net/nutch/net/RegexURLFilter
    or by calling "nutch net/nutch/net/RegexURLFilter" and entering the URL
    by hand.
    Everyline line beginning with a "+" ist accepted - a line with a "-" is
    accepted. For example:
    $ echo "http://www.nutch.org" | nutch net/nutch/net/RegexURLFilter
    run with heapsize 256
    -Xmx256m
    050202 173520 loadingfile:/home/nutch/nutch-0.7/conf/nutch-default.xml
    050202 173520 loading file:/home/nutch/nutch-0.7/conf/nutch-site.xml
    050202 173520 found resource regex-urlfilter.txt at
    file:/home/nutch/nutch-0.7/conf/regex-urlfilter.txt
    
Google+
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值