Dissecting The Nutch Crawler - Command "inject": net.nutch.db.WebDBInjector

本文详细介绍了Nutch爬虫中的注入模块(WebDBInjector)的使用方法及工作原理。该模块负责将新的URLs插入数据库中,支持从简单的URL列表文件或DMOZ RDF文件中读取数据。

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

英文原文出处: DissectingTheNutchCrawler
转载本文请注明出处:http://blog.youkuaiyun.com/pwlazy

Command "inject": net.nutch.db.WebDBInjector

> "inject: inject new urls into the database"
> Usage: WebDBInjector<db_dir>(-urlfile<url_file>|-dmozfile<dmoz_file>)[-subset<subsetDenominator>][-includeAdultMaterial][-skewskew][-noDmozDesc][-topicFile<topiclistfile>][-topic<topic>[-topic<topic>[...]]]

WebDBInjector.main() accepts two input-type options. "-urlfile" parses a simple list ofURLs with oneURL per line. "-dmozfile" is for parsingDMOZRDF files, which is useful for bootstrapping a whole-web database.

Let's see how it works. Create a file with oneURL, then run "bin/nutch inject":

$ vi spam_url.txt 
$ bin/nutch inject spam -urlfile spam_url.txt
$ find spam -type file | xargs ls -l
-rw-r--r-- 1 kangas users 0 Oct 25 18:57 spam/dbreadlock
-rw-r--r-- 1 kangas users 0 Oct 25 18:57 spam/dbwritelock
-rw-r--r-- 1 kangas users 16 Oct 25 18:57 spam/webdb/linksByMD5/data
-rw-r--r-- 1 kangas users 16 Oct 25 18:57 spam/webdb/linksByMD5/index
-rw-r--r-- 1 kangas users 16 Oct 25 18:57 spam/webdb/linksByURL/data
-rw-r--r-- 1 kangas users 16 Oct 25 18:57 spam/webdb/linksByURL/index
-rw-r--r-- 1 kangas users 89 Oct 25 18:57 spam/webdb/pagesByMD5/data
-rw-r--r-- 1 kangas users 97 Oct 25 18:57 spam/webdb/pagesByMD5/index
-rw-r--r-- 1 kangas users 115 Oct 25 18:57 spam/webdb/pagesByURL/data
-rw-r--r-- 1 kangas users 58 Oct 25 18:57 spam/webdb/pagesByURL/index
-rw-r--r-- 1 kangas users 17 Oct 25 18:57 spam/webdb/stats

We can see that a new "stats" file was created, and the data/index files in the "pagesBy..." directories were modified.


命令:inject 对应net.nutch.db.WebDBInjector类
inject 将新的urls插入到数据库
调用方式: WebDBInjector<db_dir>(-urlfile<url_file>|-dmozfile<dmoz_file>)[-subset<subsetDenominator>][-includeAdultMaterial][-skewskew][-noDmozDesc][-topicFile<topiclistfile>][-topic<topic>[-topic<topic>[...]]]

WebDBInjector
.main()方法接受两个输入选项。"-urlfile"以每行一个url的方式解析一个简单url列表。 "-dmozfile"用于解析DMOZRDF文件,后者用于启动基于整个web的数据库

然我看看命令是如何工作的,产生一个文件,填入url,然后运行bin/nutch inject
$vispam_url . txt
$bin
/ nutchinjectspam - urlfilespam_url . txt
$findspam
- typefile | xargsls - l
- rw - r -- r -- 1 kangasusers 0 Oct 25 18 : 57 spam / dbreadlock
- rw - r -- r -- 1 kangasusers 0 Oct 25 18 : 57 spam / dbwritelock
- rw - r -- r -- 1 kangasusers 16 Oct 25 18 : 57 spam / webdb / linksByMD5 / data
- rw - r -- r -- 1 kangasusers 16 Oct 25 18 : 57 spam / webdb / linksByMD5 / index
- rw - r -- r -- 1 kangasusers 16 Oct 25 18 : 57 spam / webdb / linksByURL / data
- rw - r -- r -- 1 kangasusers 16 Oct 25 18 : 57 spam / webdb / linksByURL / index
- rw - r -- r -- 1 kangasusers 89 Oct 25 18 : 57 spam / webdb / pagesByMD5 / data
- rw - r -- r -- 1 kangasusers 97 Oct 25 18 : 57 spam / webdb / pagesByMD5 / index
- rw - r -- r -- 1 kangasusers 115 Oct 25 18 : 57 spam / webdb / pagesByURL / data
- rw - r -- r -- 1 kangasusers 58 Oct 25 18 : 57 spam / webdb / pagesByURL / index
- rw - r -- r -- 1 kangasusers 17 Oct 25 18 : 57 spam / webdb / stats

我们能看出一个新的stats文件产生了,而且在"pagesBy..."目录下的名为data和index的文件被修改了
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