为什么 Nutch 认为它已经解析了所有段，而实际上还没有？答案

【问题标题】：Why does Nutch think it has already parsed all segments when it hasn't?为什么 Nutch 认为它已经解析了所有段，而实际上还没有？
【发布时间】：2013-03-21 04:21:37
【问题描述】：

我正在使用 Nutch 1.6 抓取一些论坛并使用 Solr 1.6.2 对其进行索引。我在 Solr 上运行了一个测试查询，很惊讶只有几个结果。我担心 Nutch 对页面的解析或 Solr 的索引存在问题。在窥探之后，我发现 Nutch 并没有解析它检索到的很多页面：

bin/nutch readseg -list -dir crawl-mothering2/segments/

NAME        GENERATED   FETCHED   PARSED
20130228001531  23      27        9
20130228003940  1430    1434      661
20130228001829  202     206       105
20130228061337  1068    1090      475
20130228091009  1       2         0
20130228085956  34      34        25
20130228090348  44      45        34
20130228090851  7       7         6
20130228080438  364     374       192
20130228030933  1774    1795      903
20130228084205  168     169       63

但是当我尝试解析这些片段时，我得到了这个：

bin/nutch parse crawl-mothering2/segments/*
ParseSegment: starting at 2013-03-21 00:20:43
ParseSegment: segment: crawl-mothering2/segments/20130228001531
Exception in thread "main" java.io.IOException: Segment already parsed!
    at org.apache.nutch.parse.ParseOutputFormat.checkOutputSpecs(ParseOutputFormat.java:89)
    at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:889)
    at org.apache.hadoop.mapred.JobClient$2.run(JobClient.java:850)
    at java.security.AccessController.doPrivileged(Native Method)
    at javax.security.auth.Subject.doAs(Subject.java:416)
    at org.apache.hadoop.security.UserGroupInformation.doAs(UserGroupInformation.java:1121)
    at org.apache.hadoop.mapred.JobClient.submitJobInternal(JobClient.java:850)
    at org.apache.hadoop.mapred.JobClient.submitJob(JobClient.java:824)
    at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1261)
    at org.apache.nutch.parse.ParseSegment.parse(ParseSegment.java:209)
    at org.apache.nutch.parse.ParseSegment.run(ParseSegment.java:243)
    at org.apache.hadoop.util.ToolRunner.run(ToolRunner.java:65)
    at org.apache.nutch.parse.ParseSegment.main(ParseSegment.java:216)

什么给了？

【问题讨论】：

标签： parsing nutch

【解决方案1】：

如果要重新解析，进入 crawl/segments/ 和

rm -rf parse_text parse_data crawl_parse

然后你可以运行

bin/nutch parse crawldir/segments/<segmentnumber>

【讨论】：

【解决方案2】：

Nutch 无法重新解析句段。要克服这个问题，您需要删除几个文件夹。请查看邮件列表讨论http://www.mail-archive.com/user@nutch.apache.org/msg09017.html。

您将在http://nutch.apache.org/mailing_lists.html得到更快的回复

【讨论】：