Nutch 不抓取除 seed.txt 中指定的 URL 之外的 URL

Question

我使用的是 Apache Nutch 1.12，我尝试抓取的 URL 类似于 https://www.mywebsite.com/abc-def/，这是我的 seed.txt 文件中的唯一条目。由于我不希望抓取任何 URL 中没有“abc-def”的页面，所以我在 regex-urlfilter.txt 中添加了以下行：

+^https://www.mywebsite.com/abc-def/(.+)*$

当我尝试运行以下抓取命令时：

**/bin/crawl -i -D solr.server.url=http://mysolr:3737/solr/coreName $NUTCH_HOME/urls/ $NUTCH_HOME/crawl 3**

它只抓取和索引一个seed.txt url，在第二次迭代中它只是说：

Generator: starting at 2017-02-28 09:51:36

Generator: Selecting best-scoring urls due for fetch.

Generator: filtering: false

Generator: normalizing: true

Generator: topN: 50000

Generator: 0 records selected for fetching, exiting ...

Generate returned 1 (no new segments created)

Escaping loop: no more URLs to fetch now

当我更改 regex-urlfilter.txt 以允许所有内容（+。）时，它开始索引 https://www.mywebsite.com 上的每个 URL，这当然是我不想要的。

如果有人碰巧遇到同样的问题，请分享你是如何解决的。

Answer 1

在过去 2 天尝试了多种方法后，解决方法如下：

由于我要抓取的网站非常重，nutch-default.xml 中的属性将其截断为 65536 字节（默认）。不幸的是，我想抓取的链接没有包含在所选部分中，因此 nutch没有抓取它。当我通过在 nutch-site.xml 中输入以下值将其更改为无限制时，它开始抓取我的页面：

<property>
  <name>http.content.limit</name>
  <value>-1</value>
  <description>The length limit for downloaded content using the http://
  protocol, in bytes. If this value is nonnegative (>=0), content longer
  than it will be truncated; otherwise, no truncation at all. Do not
  confuse this setting with the file.content.limit setting.
  </description>
</property>

Answer 2

您可以尝试调整 conf/nutch-default.xml 中可用的属性。也许控制您想要的外链数量或修改获取属性。如果您决定覆盖任何属性，请将该信息复制到 conf/nutch-site.xml 并在那里放置新值。