nutch如何才能抓取到动态的url，配置文件解析

原创

于 2011-06-04 10:51:00 发布 · 3.6k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#url #file #正则表达式 #loops #image #exe

Nutch默认配置可能忽略包含特殊字符如?*!@=的URL。要抓取动态URL，需修改crawl-urlfilter.txt文件中的过滤规则。例如，将-[?*!@=]改为-[~]。此外，配置还包括针对特定域名的过滤，如论坛Discuz的板块列表和帖子内容。其他配置文件如nutch-default.xml和regex-urlfilter.txt也会影响爬虫行为。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在运行的时候不会抓取到，分析了一下原因：主要在conf/crawl-urlfilter.txt.
分析：使用nutch默认的配置过滤文件的话，是不抓取到包含?*!@=等字符的URL
解决办法：修改crawl-urlfilter的过滤规则，

# The url filter file used by the crawl command.

# Better for intranet crawling.
# Be sure to change MY.DOMAIN.NAME to your domain name.

# Each non-comment, non-blank line contains a regular expression
# prefixed by '+' or '-'. The first matching pattern in the file
# determines whether a URL is included or ignored. If no pattern
# matches, the URL is ignored.

# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):

# skip image and other suffixes we can't yet parse
-/.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

# skip URLs containing certain characters as probable queries, etc.
-[?*!@=] //表示过滤包含指定字符的URL，改为： -[~]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops