Nutch内容过滤的实现

Nutch插件机制非常好，它给我们提供了爬取各个步骤的接口，使我们能够自己定制想要的功能，关于nutch插件编写的例子请看我

之前的一篇文章，这里主要介绍下如何通过插件方式对爬取的内容进行过滤。我把需要过滤的内容以关键词的形式存储在数据库中

，爬取时从数据库中提取到内存中，当建立索引时，如果网页包含有需要过滤的内容，则丢弃该网页。要实现索引过滤就必须实现

org.apache.nutch.indexer.IndexingFilter这个接口，参考代码如下：

public class ContentFilter implements IndexingFilter { private Configuration conf; public ContentFilter() { } /*** * 过滤包含过滤词的网页，如果包含过滤词，则返回null */ public NutchDocument filter(NutchDocument doc, Parse parse, Text url, CrawlDatum datum, Inlinks inlinks) throws IndexingException { String content = parse.getText();//取得网页内容 String title = parse.getData().getTitle();//取得网页标题 List<String> filterWords = FilterWord.getFilterWords();//静态变量存储过滤词 for(int i = 0; i < filterWords.size(); i++ ){ if (content.contains(filterWords.get(i))) { doc = null; } if (title.contains(filterWords.get(i))) { doc = null; } } return doc; } public void setConf(Configuration conf) { this.conf = conf; } public Configuration getConf() { return this.conf; } public void addIndexBackendOptions(Configuration conf) { this.conf = conf; } }