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

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

保存时出现了1个错误,导致这篇... 当保存文章时出现错误时,可以通过以下步骤解决问题:查看错误信息:查看错误提示信息可以帮助我们了解具体...
汇川伺服电机位置控制模式参数配... 1. 基本控制参数设置 1)设置位置控制模式   2)绝对值位置线性模...
不能访问光猫的的管理页面 光猫是现代家庭宽带网络的重要组成部分,它可以提供高速稳定的网络连接。但是,有时候我们会遇到不能访问光...
本地主机上的图像未显示 问题描述:在本地主机上显示图像时,图像未能正常显示。解决方法:以下是一些可能的解决方法,具体取决于问...
不一致的条件格式 要解决不一致的条件格式问题,可以按照以下步骤进行:确定条件格式的规则:首先,需要明确条件格式的规则是...
表格中数据未显示 当表格中的数据未显示时,可能是由于以下几个原因导致的:HTML代码问题:检查表格的HTML代码是否正...
表格列调整大小出现问题 问题描述:表格列调整大小出现问题,无法正常调整列宽。解决方法:检查表格的布局方式是否正确。确保表格使...
Android|无法访问或保存... 这个问题可能是由于权限设置不正确导致的。您需要在应用程序清单文件中添加以下代码来请求适当的权限:此外...
【NI Multisim 14...   目录 序言 一、工具栏 🍊1.“标准”工具栏 🍊 2.视图工具...
银河麒麟V10SP1高级服务器... 银河麒麟高级服务器操作系统简介: 银河麒麟高级服务器操作系统V10是针对企业级关键业务...