Apache Nutch爬虫 - 仅爬取现有表中的新注入URL
创始人
2024-09-04 14:00:22
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

必看攻略!蜀渝牌乐汇挂机软件,... 必看攻略!蜀渝牌乐汇挂机软件,wepoker代打辅助机器人,AI教程(有挂分享);蜀渝牌乐汇挂机软件...
最新技巧!海螺众娱辅助脚本,w... 最新技巧!海螺众娱辅助脚本,wepoker有机器人吗,德州教程(竟然有挂)是一款可以让一直输的玩家,...
来一盘!桂麻圈辅助,hhpok... 来一盘!桂麻圈辅助,hhpoker德州牛仔视频,AI教程(有挂存在);来一盘!桂麻圈辅助,hhpok...
9分钟了解!蜀渝牌乐汇挂机软件... 9分钟了解!蜀渝牌乐汇挂机软件,wepoker代打辅助机器人,我来教教你(有挂教学);是一款可以让一...
发现玩家!哈局八张有没有透视挂... 发现玩家!哈局八张有没有透视挂,hhpoker有后台操控吗,曝光教程(详细教程)是一款可以让一直输的...
揭秘关于!仙桃晃晃辅助器,we... 揭秘关于!仙桃晃晃辅助器,wepoker辅助器安装包,黑科技教程(有挂教程);揭秘关于!仙桃晃晃辅助...
最新研发!微信小程序功夫川辅助... 最新研发!微信小程序功夫川辅助,wepokerplus脚本,科技教程(有挂秘诀)是一款可以让一直输的...
技巧知识分享!来几局辅助器开挂... 技巧知识分享!来几局辅助器开挂,hhpoker辅助挂是真的吗,揭秘教程(有挂秘诀)是一款可以让一直输...
玩家必用!哥哥打大a辅助神器,... 玩家必用!哥哥打大a辅助神器,hhpoker真的有透视吗,透明挂教程(有挂工具)是一款可以让一直输的...
发现玩家!贪玩互娱辅助,wej... 发现玩家!贪玩互娱辅助,wejoker内置辅助,第三方教程(新版有挂)是一款可以让一直输的玩家,快速...