我正在运行 Nutch v. 1.6,它正在正确地抓取特定站点,但我似乎无法为该文件获取正确的语法NUTCH_ROOT/conf/regex-urlfilter.txt
。
我要抓取的网站有一个类似这样的 URL:
http://www.example.com/foo.cfm
在该页面上有许多与以下模式匹配的链接:
http://www.example.com/foo.cfm/Bar_-_Foo/Extra/EX/20817/ID=6976
我也想抓取与上面第二个示例匹配的链接。在我的regex-urlfilter.txt
我有以下内容:
+^http://www.example.com/foo.cfm$
+^http://www.example.com/foo.cfm/(.+)*$
Nutch 匹配第一个并正确抓取它,但似乎没有使用另一个过滤器获取链接。如何让 Nutch 像上面第二个那样抓取 URL?
我试过以下没有运气:
+^http://www.example.com/foo.cfm/(.+)*$
+^http://www.example.com/foo.cfm/(.)*$
+^http://www.example.com/foo.cfm/.+$
+^http://www.example.com/foo.cfm/(.*)*$
在我的NUTCH_ROOT/urls/nutch
我有:
http://www.example.com/foo.cfm/