- 1、原创力文档(book118)网站文档一经付费(服务费),不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。。
- 2、本站所有内容均由合作方或网友上传,本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺!文档内容仅供研究参考,付费前请自行鉴别。如您付费,意味着您自己接受本站规则且自行承担风险,本站不退款、不进行额外附加服务;查看《如何避免下载的几个坑》。如果您已付费下载过本站文档,您可以点击 这里二次下载。
- 3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“版权申诉”(推荐),也可以打举报电话:400-050-0827(电话支持时间:9:00-18:30)。
- 4、该文档为VIP文档,如果想要下载,成为VIP会员后,下载免费。
- 5、成为VIP后,下载本文档将扣除1次下载权益。下载后,不支持退款、换文档。如有疑问请联系我们。
- 6、成为VIP后,您将拥有八大权益,权益包括:VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
- 7、VIP文档为合作方或网友上传,每下载1次, 网站将根据用户上传文档的质量评分、类型等,对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
查看更多
Nutchcrawler工作流程
Nutch Crawler1¤×÷á÷3ì?°???t??ê??ê??·???
CrawleroíSearcherá?2?·?±???ê?·??a?C???÷òa??μ?ê??aá?ê1á???2?·??éò?2?μ??????úó2?t??ì¨é??Càyè?CrawleroíSearcher·?±e±?·????úá????÷?úé??C?a?ù?éò???′óμ?ìá??áé??D?oíD??ü?Bò??A×üì??ééü?F??? 1?A?è×¢è???×óurlsμ?crawldb??? 2?A?-?·?F
generate ′ócrawldb?Déú3éò???urlμ?×ó?ˉó?óú×¥è?
fetch ×¥è?é?ò?D?μ?urléú3éò?????segment
parse ·???ò?×¥è?segmentμ??úèY
update °?ò?×¥è?μ?êy?Y?üD?μ??-?èμ?crawldb
??? 3?A′óò?×¥è?μ?segments?D·???3?linkμ?í???? 4?A?÷òysegment??±??°inlink?a??±??t?A?à1?μ?êy?Y?á11?F??? Crawl DB?ü CrawlDb ê?ò???°üo?è????á11êy?Yμ????t:??? ??? ??? URL, CrawlDatum?ü CrawlDatum:??? ??? status, date, interval, failures, linkCount, ...?ü Status:??? ??? ? {db_unfetched, db_fetched, db_gone,linked,??? ??? ??? fetch_success, fetch_fail, fetch_gone}?@?@?à3?Crawler?F??? Crawlerμ?1¤×÷á÷3ì°üà¨á?????nutchμ??ùóD2??è?|?|injector,generator,fetcher,parseSegment, updateCrawleDB,Invert links, Index ,DeleteDuplicates, IndexMerger??? Crawleré??°μ?êy?Y???toí??ê?oío?ò??Coíò?é?μ??÷??2??è?à1?μ????t·?±e±?′?·??ú??àíéè±?é?μ?ò??????????t?Dà??Ccrawldb,segments,indexes,linkdb,index???????t?Dà??B??? ???′?÷??2??èoíá÷3ìê????′?C?÷?????t?Dà?ó?ê?·?×?ê2?′???H??? 1?2ìCrawleràà?éò??aμà?üμ?á÷3ì./nutch crawl urls -dir ~/crawl -depth 4 -threads 10 -topN 2000??? 1?AInjector injector = new Injector(conf);??? ??? ??? Usage: Injector crawldb url_dir??? ??? ê×?èê??¨á¢?eê?url?ˉ?C????url???-1yURLNormalizers?AfilteroíscoreFilterèy ??1y3ì2¢±ê??×′ì??Bê×?è?-1ynormalizer plugin,°?url??DD±ê×??ˉ?C±èè?basic?@nomalizerμ?×÷ó?óD°?′óD′μ?url±ê×??ˉ?aD?D′?C°?????è¥3yμèμè?Bè?oó?ù?-1yμ?plugin ê?filter?C?éò??ù?Y??D′μ??y?ò±í′?ê?°???òaμ?urlá???à′?B?-1yá???2??èoó?Cè?oó?íê?°??a??url??DD×′ì?±ê???C????url????ó|×?ò??? CrawlDatum,?a??àà??ó|×?????url?ú?ùóDéú?ü?ü?ú?úμ?ò??D×′ì??B???úé??1óD?a??url′|àíμ?ê±??oí3?ê?ê±μ?·??μ?B?@?@í?ê±?C?ú?a??2??èà??C?á?ú???t?μí3à?éú3é?@è??????t?@crawlDB/current/part-00000?@?@?a?????t?Dà??1óD.data.crc , .index.crc, data, index???????t?ü MapReduce1: °?ê?è?μ???
文档评论(0)