nutch - 如何从 nutch 获取 html 内容

Question

有什么方法可以在抓取网页的同时获取每个网页的 html 内容吗？

Answer 1

是的，您可以准确地导出爬网段的内容。这并不简单，但对我来说效果很好。首先，使用以下代码创建一个 java 项目：

import org.apache.hadoop.conf.Configuration;
import org.apache.hadoop.fs.FileSystem;
import org.apache.hadoop.fs.Path;
import org.apache.hadoop.io.SequenceFile;
import org.apache.hadoop.io.Text;
import org.apache.nutch.protocol.Content;
import org.apache.nutch.util.NutchConfiguration;

import java.io.File;
import java.io.FileOutputStream;

public class NutchSegmentOutputParser {

public static void main(String[] args) {

    if (args.length != 2) {
        System.out.println("usage: segmentdir (-local | -dfs <namenode:port>) outputdir");
        return;
    }

    try {
        Configuration conf = NutchConfiguration.create();
        FileSystem fs = FileSystem.get(conf);


        String segment = args[0];

        File outDir = new File(args[1]);
        if (!outDir.exists()) {
            if (outDir.mkdir()) {
                System.out.println("Creating output dir " + outDir.getAbsolutePath());
            }
        }

        Path file = new Path(segment, Content.DIR_NAME + "/part-00000/data");
        SequenceFile.Reader reader = new SequenceFile.Reader(fs, file, conf);


        Text key = new Text();
        Content content = new Content();

        while (reader.next(key, content)) {
            String filename = key.toString().replaceFirst("http://", "").replaceAll("/", "___").trim();

            File f = new File(outDir.getCanonicalPath() + "/" + filename);
            FileOutputStream fos = new FileOutputStream(f);
            fos.write(content.getContent());
            fos.close();
            System.out.println(f.getAbsolutePath());
        }
        reader.close();
        fs.close();
    } catch (Exception e) {
        e.printStackTrace();
    }

}

}

我推荐使用 Maven；添加以下依赖项：

     <dependency>
      <groupId>org.apache.nutch</groupId>
        <artifactId>nutch</artifactId>
        <version>1.5.1</version>
    </dependency>

    <dependency>
        <groupId>org.apache.hadoop</groupId>
        <artifactId>hadoop-common</artifactId>
        <version>0.23.1</version>
    </dependency>

并创建一个jar包（即NutchSegmentOutputParser.jar）

您需要在您的机器上安装 Hadoop。然后运行：

$/hadoop-dir/bin/hadoop --config \
NutchSegmentOutputParser.jar:~/.m2/repository/org/apache/nutch/nutch/1.5.1/nutch-1.5.1.jar \
NutchSegmentOutputParser nutch-crawled-dir/2012xxxxxxxxx/ outdir

其中 nutch-crawled-dir/2012xxxxxxxxx/ 是您要从中提取内容的爬网目录（它包含“段”子目录），outdir 是输出目录。输出文件名是从 URI 生成的，但是斜杠被替换为“ _ ”。

希望能帮助到你。

Answer 2

尝试这个：

public ParseResult filter(Content content, ParseResult parseResult, HTMLMetaTags
 metaTags, DocumentFragment doc) 
{
 Parse parse = parseResult.get(content.getUrl());
 LOG.info("parse.getText: " +parse.getText());
 return parseResult;
}

然后检查中的内容hadoop.log。

Answer 3

它的超级基础。

public ParseResult getParse(Content content) {
   LOG.info("getContent: " + new String(content.getContent()));

Content 对象有一个方法 getContent()，它返回一个字节数组。只需让 Java 使用 BA 创建一个新的 String()，您就可以获得 nutch 获取的任何原始 html。

我正在使用 Nutch 1.9

这是 org.apache.nutch.protocol.Content 上的 JavaDoc https://nutch.apache.org/apidocs/apidocs-1.2/org/apache/nutch/protocol/Content.html#getContent()

Answer 4

是的，有办法。查看 cache.jsp 以了解它如何显示缓存的数据。