Apache Nutch爬虫 - 仅爬取现有表中的新注入URL
创始人
2024-09-04 14:00:38
0次

要使用Apache Nutch爬虫仅爬取现有表中的新注入URL,可以使用以下解决方法:

  1. 创建一个自定义的Nutch插件,在该插件中实现筛选逻辑,只爬取现有表中的新注入URL。

首先,创建一个继承自Nutch的插件类,例如CustomInjectorPlugin:

import org.apache.hadoop.conf.Configuration;
import org.apache.nutch.crawl.InjectorJob;
import org.apache.nutch.plugin.Extension;
import org.apache.nutch.plugin.PluginRepository;
import org.apache.nutch.util.NutchConfiguration;

public class CustomInjectorPlugin {
    public static void main(String[] args) throws Exception {
        // 加载Nutch配置
        Configuration conf = NutchConfiguration.create();

        // 获取所有注册的插件
        Extension[] extensions = PluginRepository.get(conf).getExtensionPoint(InjectorJob.X_POINT_ID).getExtensions();

        // 遍历插件并找到自定义的注入器插件
        for (Extension extension : extensions) {
            if (extension.getId().equals("custom-injector")) {
                // 使用自定义的注入器插件进行注入
                InjectorJob injector = new InjectorJob(conf);
                injector.inject(extension.getDescriptor().getPluginAttribute("injector.path"));
                break;
            }
        }
    }
}

接下来,在Nutch的配置文件中(nutch-site.xml)中添加以下配置:


  
    plugin.includes
    protocol-http|urlfilter-regex|parse-(html|tika)|index-basic|index-(anchor|more)|indexer-elastic|scoring-opic|urlnormalizer-(pass|regex|basic)|protocol-httpclient|custom-injector
    插件加载顺序
  
  
  
    custom.injector.path
    /path/to/custom-injector
    自定义注入器插件的路径
  

在上述配置中,我们添加了一个自定义的injector插件,并指定了该插件的路径。

最后,编译并运行CustomInjectorPlugin类,它将使用自定义的注入器插件仅爬取现有表中的新注入URL。

  1. 使用Nutch的命令行工具进行筛选。

Nutch提供了命令行工具来处理爬虫任务,其中包括部分命令可以用来筛选URL。

首先,使用Nutch的inject命令将新的URL注入到现有表中:

$ bin/nutch inject crawl/crawldb urls/seed.txt

然后,使用Nutch的generate命令生成需要爬取的URL列表:

$ bin/nutch generate crawl/crawldb crawl/segments

接下来,使用Nutch的fetch命令根据某些条件(例如新注入的URL)来爬取URL:

$ bin/nutch fetch crawl/segments/* -noParsing -noParsingFilter -noCrawlFilter

在上述命令中,我们使用了一些选项来禁用解析和爬取过滤器,以确保所有URL都被爬取。

最后,使用Nutch的updatedb命令更新现有表:

$ bin/nutch updatedb crawl/crawldb crawl/segments

这样,只有新注入的URL会被爬取,并更新到现有表中。

请注意,第二种方法是使用Nutch的默认功能和命令行工具进行URL筛选,不需要编写自定义插件。

相关内容

热门资讯

前端-session、jwt 目录:   (1)session (2&#x...
linux入门---制作进度条 了解缓冲区 我们首先来看看下面的操作: 我们首先创建了一个文件并在这个文件里面添加了...
关于测试,我发现了哪些新大陆 关于测试 平常也只是听说过一些关于测试的术语,但并没有使用过测试工具。偶然看到编程老师...
前缀和与对数器与二分法 1. 前缀和 假设有一个数组,我们想大量频繁的去访问L到R这个区间的和,...
nodejs:本地安装nvm实... 一、背景-使用不同版本node的原因 vue3+ts、nuxt3版本,node...
JAVA集合知识整理 Java集合知识整理 HashMap相关 HashMap的底层数据结构:jdk1.8之...
无刷直流电机介绍及单片机控制实... 无刷直流电机介绍及单片机控制实例前言基本概念优势与劣势使用寿命基本结构使用单片机控制实例电子调速器&...
fwdiary(2) dp2 1.传纸条  AcWing 275. 传纸条 - AcWing 走两条路,走一条最大的...
常用的DOS命令 常用的DOS命令 DOS(Disk Operating System,磁...
<C++> 类和对象(下) 1.const成员函数将const修饰的“成员函数”称之为const成员函数,cons...