Nutch的抓取工作问题
来源:互联网 发布:乐易佳数据恢复注册机 编辑:程序博客网 时间:2024/04/30 17:34
现在碰到的棘手问题是,要对Nutch的fetch结果content进行媒介(天涯,网易等等)分类,比如:data/segements/content/part-00000/天涯 data/segements/content/part-00000/网易 。。。我的想法是在fetch的outpath进行构造,但貌似行不通。。。
还有另一种方案,就是按Nutch的原格式,把数据都存储在同一个part-00000中,然后对采集回来的网页内容进行加标签标识,如:<tianya>...(网页源码)...</tianya>。。。感觉这种方案比较好。
还有一个问题是,nutch的输出文件格式,OutputFormat是二进制序列文件,后期要对采集回来的数据内容进行处理,这时原文件是二进制文件,但是代码解析标签或内容的时候要怎么处理这些二进制文件内容呢。。。
**************************************************************************************************************
已解决。。。
0 0
- Nutch的抓取工作问题
- 【Nutch】Nutch的抓取流程
- nutch的抓取目录解释
- Nutch 查看抓取的文件
- nutch的抓取目录解释
- [Nutch]Nutch抓取过程中生成的目录内容分析
- nutch如何才能抓取到动态的url
- nutch抓取数据后生成的文件格式
- nutch抓取数据后生成的文件格式
- 提高Nutch局域网抓取的速度
- Nutch抓取数据内容的详解
- nutch的抓取流程 以及 手动实践
- 深入分析nutch的抓取流程
- Nutch抓取数据内容的详解
- nutch遇到的问题
- [Nutch]Nutch抓取过程分析
- Nutch抓取数据分析
- Nutch定时抓取网页
- CPU的常见故障及处理方法
- 《Linux命令行与shell脚本编程大全》 第二十六章 学习笔记
- 协议与委托 (Protocol and Delegate) 实例解析
- SQL Server类似MySql的Show Tables功能
- JSCERT授知道创宇网络安全通报成员证书
- Nutch的抓取工作问题
- 音量图标不显示了怎么恢复
- RESTful Webservices with Java (Jersey / JAX-RS)
- 电源引起的内存报警故障
- Log4j 详细配置
- jsp中nul和空字符串判断
- 防备电脑死机实用技巧
- CKEditor实现图片上传
- uboot源码分析-第一阶段(汇编部分)