基本概念：
- crawldb，nutch所处理的所有url信息，包括是否被fetch过，以及url被fetch时间。
- linkdb，url links，包括源url和链接文本信息
- segments集合，每一个segment是一组fetched的urls单元，segments包括以下子目录：
1. crawl_generate, 将要被抓取 urls集合
2. crawl_fetch, 正在被抓取的每一个url的状态信息
3. content，从每一个url中提取的原生内容
4. parse_text, 从每一个url中解析出来的文本信息
5. parse_date, 从每一个url中解析出来的链接和元数据
6. crawl_parse, 从url中解析出来的url链接，用于更新crawldb
分布执行步骤：
- 注入爬取所需种子列表，bin/nutch inject crawl/crawldb urls
- 从crawldb中生成要抓取的url列表，bin/nutch generate crawl/crawldb crawl/segments
- 根据url抓取网页，bin/nutch fetch data/segments/5
- 解析网页内容，bin/nutch parse data/segments/5
- 根据抓取结果更新数据库，bin/nutch updated data/crawldb –dir data/segments/5
- 反转索引，在建立索引之前，我们首先对所有的链接进行反转，这样我们才可以对页面的来源锚文本进行索引。
bin/nutch invertlinks data/linkdb –dir data/segments/5
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容， 请联系我们举报，一经查实，本站将立刻删除。
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/219689.html原文链接：https://javaforall.net
