0

我正在尝试使用 Nutch 抓取多个站点。我的 seed.txt 看起来像这样：

http://1.a.b/
http://2.a.b/

我的 regex-urlfilter.txt 看起来像这样：

# skip file: ftp: and mailto: urls
-^(file|ftp|mailto):

# skip image and other suffixes we can't yet parse
# for a more extensive coverage use the urlfilter-suffix plugin
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PPT|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|tgz|TGZ|mov|MOV|exe|EXE|jpeg|JPEG|bmp|BMP|js|JS)$

# skip URLs containing certain characters as probable queries, etc.
-[?*!@=]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/[^/]+)/[^/]+\1/[^/]+\1/

# accept anything else
#+.
+^http://1.a.b/*
+^http://2.a.b/*

我在最后一部分尝试了以下内容：

+^http://([a-z0-9]*\.)*a.b/*

唯一被抓取的站点是第一个站点。所有其他配置均为默认配置。

我运行以下命令：

bin/nutch crawl urls -solr http://localhost:8984/solr/ -dir crawl -depth 10 -topN 10

有任何想法吗？！

谢谢！

4

1 回答 1

1

在 regex-urlfilter.txt 试试这个：

旧设置：

# accept anything else
#+.
+^http://1.a.b/*
+^http://2.a.b/*

新服务：

# accept anything else
+.
于 2013-02-21T04:55:08.990 回答