Nutch 笔记(二):Craw more urls and Recrawl
来源:互联网 发布:tensorflow scala 编辑:程序博客网 时间:2024/05/20 00:52
一:Recrawl
nutch wiki上有现成的script,我们只需要拿来用用即可
http://wiki.apache.org/nutch/IntranetRecrawl#head-e58e25a0b9530bb6fcdfb282fd27a207fc0aff03
把它放在nutch-0.8.1/bin/recrawl.sh
wiki中对参数的说明已经很详细了,没有必要再多说了。这里有个参数../tomcat5/webap你可以看到脚本中只是
让tomcat重新加载webapp,如果你没有使用tomcat,只是crawl,你修改一下脚本,就把这个参数给去掉吧。
二:Crawl more urls and merge
我们上面只是抓取了一个xici的页面,但是我们的目标不仅仅是一个,而是一系列的,所有我们必须增加新的url进行抓取。
新增news.163.com
重新执行我们上面提到的crawl
note:
这个时间会很长,如果你愿意可以用别的资讯很少的网站代替
合并我们采用nutch wiki上的脚本http://wiki.apache.org/nutch/MergeCrawl保存到bin/mergecrawl.sh。
传递的两个参数分别是两次crawl的目录
修改tomcat目录下的classes/nutch-site.xml文件,将searcher.dir修改为新的索引目录
重新加载webapp
以下是截图
这个是163的
这个是xici的
nutch wiki上有现成的script,我们只需要拿来用用即可
http://wiki.apache.org/nutch/IntranetRecrawl#head-e58e25a0b9530bb6fcdfb282fd27a207fc0aff03
把它放在nutch-0.8.1/bin/recrawl.sh
- martin@martinx:~/workspace/doc/nutch-0.8.1$ sudo bin/recrawl.sh ../tomcat5/webap ps/ROOT xici/
- 10 1 5
wiki中对参数的说明已经很详细了,没有必要再多说了。这里有个参数../tomcat5/webap你可以看到脚本中只是
- touch $tomcat_dir/WEB-INF/web.xml
让tomcat重新加载webapp,如果你没有使用tomcat,只是crawl,你修改一下脚本,就把这个参数给去掉吧。
二:Crawl more urls and merge
我们上面只是抓取了一个xici的页面,但是我们的目标不仅仅是一个,而是一系列的,所有我们必须增加新的url进行抓取。
新增news.163.com
- mkdir url2
- echo http://news.163.com>url2/163
重新执行我们上面提到的crawl
- martin@martinx:~/workspace/doc/nutch-0.8.1$ sudo bin/nutch crawl url2 -dir 163 -depth 10 -topN 50
note:
这个时间会很长,如果你愿意可以用别的资讯很少的网站代替
合并我们采用nutch wiki上的脚本http://wiki.apache.org/nutch/MergeCrawl保存到bin/mergecrawl.sh。
- martin@martinx:~/workspace/doc/nutch-0.8.1$ bin/mergecrawl.sh newpath 163/ xici/
传递的两个参数分别是两次crawl的目录
修改tomcat目录下的classes/nutch-site.xml文件,将searcher.dir修改为新的索引目录
- perl -pi -e 's|xici|newpath|' ../tomcat5/webapps/ROOT/WEB-INF/classes/nutch-site.xml
重新加载webapp
- touch ../tomcat5/webapps/ROOT/WEB-INF/web.xml
以下是截图
这个是163的
这个是xici的
0 0
- Nutch 笔记(二):Craw more urls and Recrawl(收藏)
- Nutch 笔记(二):Craw more urls and Recrawl
- Nutch recrawl script
- nutch的重爬recrawl
- eclipse中编译nutch后出现no more URLs to fetch解决方法
- Apache-nutch-1.10 安装笔记(二)
- Nutch学习笔记二
- 读书笔记:Django 模板开发(二)Views, URLs, and Generic Views
- nutch recrawl中出现的问题及解决
- nutch 1.2 增量爬取url 完成 recrawl.sh 编写
- nutch 1.4 的增量爬取(recrawl)脚本
- IRIs, URIs and URLs
- URIs, URLs, and URNs
- URIs, URLs, and URNs
- URIs, URLs, and URNs
- URIs, URLs, and URNs
- URIs, URLs, and URNs
- URIs, URLs, and URNs
- A. Inna and Alarm Clock
- 333
- stitching_detail算法介绍
- 常用的硬件术语总结整理
- 50点提高PHP编程效率
- Nutch 笔记(二):Craw more urls and Recrawl
- Search a 2D Matrix
- MySQL多表查询
- 面试题
- 随即生成字符串(包括大小写字母和数字)
- JVM局部变量表
- 工作笔记
- Javascript检测终端浏览器是android或ipad、iphone
- Android动画学习笔记-Android Animation