Apache Nutch - 如何将爬取数据存储在以页面名称/URL命名的文件夹中
创始人
2024-09-04 14:00:15
0

你可以使用Apache Nutch的自定义插件来实现将爬取数据存储在以页面名称/URL命名的文件夹中。下面是一个使用Nutch自定义插件的示例代码:

  1. 创建一个名为PageNameFolder的类,继承ScoringFilter接口:
import org.apache.hadoop.conf.Configuration;
import org.apache.nutch.crawl.CrawlDatum;
import org.apache.nutch.crawl.Inlinks;
import org.apache.nutch.parse.Parse;
import org.apache.nutch.parse.ParseData;
import org.apache.nutch.parse.ParseResult;
import org.apache.nutch.parse.ParseStatus;
import org.apache.nutch.parse.Parser;
import org.apache.nutch.scoring.ScoringFilter;
import org.apache.nutch.scoring.ScoringFilters;
import org.apache.nutch.storage.WebPage;

public class PageNameFolder implements ScoringFilter {

  private Configuration conf;

  public void setConf(Configuration conf) {
    this.conf = conf;
  }

  public Configuration getConf() {
    return this.conf;
  }

  public void injectedScore(String url, WebPage page) {
    // 不需要实现
  }

  public void initialScore(String url, WebPage page) {
    // 不需要实现
  }

  public float generatorSortValue(String url, WebPage page, float initSort) {
    // 不需要实现
    return initSort;
  }

  public void passScoreBeforeParsing(String url, WebPage page, ParseResult parseResult) {
    // 不需要实现
  }

  public void passScoreAfterParsing(String url, Content content, ParseResult parseResult) {
    // 获取页面名称
    String pageName = urlToPageName(url);
    
    // 获取存储路径
    String storagePath = conf.get("storage.path", "/path/to/storage");
    String folderPath = storagePath + "/" + pageName;
    
    // 创建以页面名称命名的文件夹
    File folder = new File(folderPath);
    if (!folder.exists()) {
      folder.mkdirs();
    }
    
    // 将爬取数据保存在以页面名称命名的文件夹中
    String contentPath = folderPath + "/content.txt";
    try (PrintWriter writer = new PrintWriter(contentPath)) {
      writer.write(content.toString());
      writer.flush();
    } catch (IOException e) {
      e.printStackTrace();
    }
  }

  public float indexerScore(String url, WebPage page, float initScore) {
    // 不需要实现
    return initScore;
  }

  private String urlToPageName(String url) {
    // 提取URL的页面名称部分
    String pageName = url.substring(url.lastIndexOf('/') + 1);
    if (pageName.isEmpty()) {
      pageName = "index";
    }
    return pageName;
  }

}
  1. 在Nutch的plugin.includes配置中添加插件类路径,例如在nutch-site.xml中添加以下配置:

  plugin.includes
  protocol-httpclient|parse-(html|tika)|index-(basic|more)|urlfilter-(regex|validator|validator-basic)|scoring-opic|urlnormalizer-(pass|regex|basic)

  1. 编译插件代码并将生成的jar文件复制到Nutch的plugins目录下。

  2. 修改Nutch的配置文件,将scoring.filter.order设置为PageNameFolder,并配置存储路径:


  scoring.filter.order
  PageNameFolder



  storage.path
  /path/to/storage

  1. 运行Nutch进行爬取,爬取的数据将存储在以页面名称/URL命名的文件夹中。

注意:上述代码仅演示了如何在爬取过程中将数据保存在以页面名称命名的文件夹中。你可能需要根据自己的需求进行适当的修改和扩展。

相关内容

热门资讯

记者揭秘!智星菠萝辅助(透视辅... 记者揭秘!智星菠萝辅助(透视辅助)拱趴大菠萝辅助神器,扑克教程(有挂细节);模式供您选择,了解更新找...
一分钟揭秘!约局吧能能开挂(透... 一分钟揭秘!约局吧能能开挂(透视辅助)hhpoker辅助靠谱,2024新版教程(有挂教学);约局吧能...
透视辅助!wepoker模拟器... 透视辅助!wepoker模拟器哪个好用(脚本)hhpoker辅助挂是真的,科技教程(有挂技巧);囊括...
透视代打!hhpkoer辅助器... 透视代打!hhpkoer辅助器视频(辅助挂)pokemmo脚本辅助,2024新版教程(有挂教程);风...
透视了解!约局吧德州真的有透视... 透视了解!约局吧德州真的有透视挂(透视脚本)德州局HHpoker透视脚本,必胜教程(有挂分析);亲,...
六分钟了解!wepoker挂底... 六分钟了解!wepoker挂底牌(透视)德普之星开辅助,详细教程(有挂解密);德普之星开辅助是一种具...
9分钟了解!wpk私人辅助(透... 9分钟了解!wpk私人辅助(透视)hhpoker德州透视,插件教程(有挂教学);风靡全球的特色经典游...
推荐一款!wepoker究竟有... 推荐一款!wepoker究竟有透视(脚本)哈糖大菠萝开挂,介绍教程(有挂技术);囊括全国各种wepo...
每日必备!wepoker有人用... 每日必备!wepoker有人用过(脚本)wpk有那种辅助,线上教程(有挂规律);wepoker有人用...
玩家必备教程!wejoker私... 玩家必备教程!wejoker私人辅助软件(脚本)哈糖大菠萝可以开挂,可靠技巧(有挂神器)申哈糖大菠萝...