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