如何使用 nutch 插件解析位于特定 HTML 标签中的内容？

Question

我正在使用 Nutch 抓取网站，我想解析 Nutch 抓取的 html 页面的特定部分。例如，

  <h><title> title to search </title></h>
   <div id="abc">
        content to search
   </div>
   <div class="efg">
        other content to search
   </div>

我想解析 id ="abc" 和 class="efg" 等的 div 元素。

我知道我必须创建一个用于自定义解析的插件，因为 Nutch 提供的 htmlparser 插件会删除所有 html 标签、css 和 javascript 内容，只留下文本内容。我参考了这个博客http://sujitpal.blogspot.in/2009/07/nutch-custom-plugin-to-parse-and-add.html，但我发现这是用 html 标签解析，而我想用具有特定值的属性解析 html 标签。我发现 Jericho 被提到对解析特定的 html 标签很有用，但我可以找到任何与 Jericho 相关的 nutch 插件示例。

我需要一些关于如何根据具有特定值的属性的标签来设计解析 html 页面的策略的指导。

Answer 1

您可以使用此插件根据 css 规则从您的页面中提取数据：

https://github.com/BayanGroup/nutch-custom-search

在你的例子中，你可以这样配置：

<config>
    <fields>
        <field name="custom_content" />
    </fields>
    <documents>
        <document url=".+" engine="css">
            <extract-to field="custom_content">
                <text>
                    <expr value="#abc" />
                </text>
                <text>
                    <expr value=".efg" />
                </text>
            </extract-to>
        </document>
    </documents>
</config>