Nutch 爬虫没有索引 HTML 内容

Question

我正在尝试开发一种搜索功能，我可以在其中输入城市名称，它会为我提供该城市的天气状况。
我已经在我的系统上设置了 Nutch-1.3 和 Solr-3.4.0。我正在爬的网站是here，并将索引传递给Solr进行搜索。现在，我想检索this link上显示的信息，查询德里。

我怎样才能做到这一点？需要写插件吗？

 <doc><float name="score">1.0</float><float name="boost">0.1879294</float><str name="content"/><str name="digest">d41d8cd98f00b204e9800998ecf8427e</str><str name="id">http://www.imd.gov.in/section/nhac/distforecast/delhi.htm</str><str name="segment">20111118153543</str><str name="title"/><date name="tstamp">2011-11-18T10:06:45.604Z</date><str name="url">http://www.imd.gov.in/section/nhac/distforecast/delhi.htm</str></doc>

Answer 1

Nutch 基本上是通过页面上的链接进行爬网的。
但是，India page 上没有链接可以访问您提到的Delhi page。
因此它无法向下导航到该页面。

您可以创建自己的虚拟 html 页面，作为索引的起始 url，并拥有您希望 Nutch 索引的所有链接。

架构中的默认搜索字段是什么？
通常它是文本字段，查询德里会在该字段中查找匹配项。
因为*:* 返回德里结果，而德里没有。它与正在搜索的字段上的索引标记不匹配。

架构中为 url 定义的字段类型是什么？
您可以通过文本分析将该字段复制到另一个字段，这将生成德里令牌并查询 url_copy:delhi 应该会返回结果。