solr - apache nutch 不抓取网站

Question

我已经安装了用于网络爬取的 apache nutch。我想抓取具有以下内容的网站robots.txt：

User-Agent: *
Disallow: /

有没有办法用 apache nutch 抓取这个网站？

Answer 1

您可以在 nutch-site.xml 中将属性“Protocol.CHECK_ROBOTS”设置为 false 以忽略 robots.txt。

Answer 2

在 nutch-site.xml 中，将 protocol.plugin.check.robots 设置为 false

或者

您可以注释掉机器人检查完成的代码。在 Fetcher.java 中，第 605-614 行正在进行检查。评论整个区块

      if (!rules.isAllowed(fit.u)) {
        // unblock
        fetchQueues.finishFetchItem(fit, true);
        if (LOG.isDebugEnabled()) {
          LOG.debug("Denied by robots.txt: " + fit.url);
        }
        output(fit.url, fit.datum, null, ProtocolStatus.STATUS_ROBOTS_DENIED, CrawlDatum.STATUS_FETCH_GONE);
        reporter.incrCounter("FetcherStatus", "robots_denied", 1);
        continue;
      }