apache - 如何配置 apache nutch 以删除所有标签及其内容？

Question

这甚至可能吗？

我遇到了导航问题，该导航也作为内容包含在文档中。所以这就是为什么我要删除所有链接标签，使其不在数据中。

我正在使用 1.7 版本。

Answer 1

如果您只想告诉 nutch 不要遵循“a”标签，您可以简单地将“a”添加到“parser.html.outlinks.ignore_tags”设置中。

如果您想从解析的数据中删除“a”标签及其内容，由于当前 nutch 附带的 HtmlParser 没有任何与此相关的设置，我认为您应该编写一个 nutch 插件并开发一个 HtmlParseFilter 来执行您的逻辑。