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

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...