我正在寻找一个框架来抓取文章,然后我找到了 Nutch 2.1。这是我的计划和每个问题:
1
将文章列表页面添加到 url/seed.txt 这是一个问题。我真正想要被索引的是文章页面,而不是文章列表页面。但是,如果我不允许列表页被索引,Nutch 将什么也不做,因为列表页是入口。那么,我怎样才能只索引没有列表页面的文章页面呢?
2
编写一个插件来解析“作者”、“日期”、“文章正文”、“标题”以及可能来自 html 的其他信息。Nutch 2.1 中的 'Parser' 插件接口是: Parse getParse(String url, WebPage page) 并且 'WebPage' 类有一些预定义的属性:
public class WebPage extends PersistentBase {
// ...
private Utf8 baseUrl;
// ...
private ByteBuffer content; // <== This becomes null in IndexFilter
// ...
private Utf8 title;
private Utf8 text;
// ...
private Map<Utf8,Utf8> headers;
private Map<Utf8,Utf8> outlinks;
private Map<Utf8,Utf8> inlinks;
private Map<Utf8,Utf8> markers;
private Map<Utf8,ByteBuffer> metadata;
// ...
}
So, as you can see, there are 5 maps I can put my specified attributes in. But, 'headers', 'outlinks', 'inlinks' seem not used for this. Maybe I could put those information into markers or metadata. Are they designed for this purpose?
BTW, the Parser in trunk looks like: 'public ParseResult getParse(Content content)', and seems more reasonable for me.
3
文章索引到 Solr 后,另一个应用程序可以通过“日期”查询它,然后将文章信息存储到 Mysql 中。我这里的问题是:Nutch 可以将文章直接存入Mysql 吗?或者我可以编写一个插件来指定索引行为吗?
Nutch 是否适合我的目的?如果没有,你们会为我推荐另一个优质的框架/库吗?谢谢你的帮助。