- html - 出于某种原因,IE8 对我的 Sass 文件中继承的 html5 CSS 不友好?
- JMeter 在响应断言中使用 span 标签的问题
- html - 在 :hover and :active? 上具有不同效果的 CSS 动画
- html - 相对于居中的 html 内容固定的 CSS 重复背景?
在使用 nutch 和 elasticsearch 进行爬取时遇到一些严重的问题。
我们的应用程序中有两个数据存储引擎。
MySql
Elasticsearch
假设我有 10 个 url 存储在 mysql 数据库的 urls 表中。现在我想在运行时从表中获取这些 url 并将它们写入 seed,txt 以进行抓取。这些url我都一口气写进了need,txt。现在我的爬行开始了,然后我在 elasticsearch 中将这些文档编入索引(可以说是 url 索引)。但我想在 elasticsearch 索引中维护一个引用,以便我可以获取特定 url 的已爬网详细信息以用于分析目的,因为 elasticsearch 索引仅包含已爬网数据。例如。
我在mysql中的表结构是:
表格网址:
ID 网址
1 www.google.com
我想要的 Elasticsearch 索引映射是:
索引网址:
{_id: "www.google.com",输入:“文档”,内容:“ Hello World ”url_id : 1 ,...
这里的url_id是urls表中爬取到的url的id列的字段值。
我可以为每个 url 创建单独的索引,但该解决方案并不理想,因为在一天结束时我将拥有多个索引。那么爬取之后如何实现呢。我是否必须修改 Elasticsearch 索引器。我正在使用 nutch 1.12 和 elastichsearch 1.7.1。非常感谢任何帮助。
最佳答案
您应该将 url_id 作为种子列表中的附加元数据传递,并使用 urlmeta 和索引元数据插件,以便将键/值传递到外链(如果需要)或至少可用于索引。
参见 Nutch WIKI有关如何索引元标记的说明。
关于mysql - nutch 抓取文档的 Elasticsearch 映射中面临的问题,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/39697398/
我在这里有一个问题,我不知道这是否正常。 但是我认为这里有些湖,安装插件elasticsearch-head之后,我在浏览器中启动url“http://localhost:9200/_plugin/h
我写了这个 flex 搜索查询: es.search(index=['ind1'],doc_type=['doc']) 我得到以下结果: {'_shards': {'failed': 0, 'skip
在ElasticSearch.Net v.5中,存在一个属性 Elasticsearch.Net.RequestData.Path ,该属性在ElasticSearch.Net v.6中已成为depr
如何让 elasticsearch 应用新配置?我更改了文件 ~ES_HOME/config/elasticsearch.yml 中的一个字符串: # Disable HTTP completely:
我正在尝试使用以下分析器在 elastic serach 7.1 中实现部分子字符串搜索 PUT my_index-001 { "settings": { "analysis": {
假设一个 elasticsearch 服务器在很短的时间内接收到 100 个任务。有些任务很短,有些任务很耗时,有些任务是删除任务,有些是插入和搜索查询。 elasticsearch 是如何决定先运行
我需要根据日期过滤一组值(在此处添加字段),然后按 device_id 对其进行分组。所以我正在使用以下东西: { "aggs":{ "dates_between":{ "fi
我在 Elasticsearch 中有一个企业索引。索引中的每个文档代表一个业务,每个业务都有business_hours。我试图允许使用星期几和时间过滤营业时间。例如,我们希望能够进行过滤,以显示我
我有一个这样的过滤查询 query: { filtered: { query: { bool: { should: [{multi_match: {
Elasticsearch 相当新,所以可能不得不忍受我,我遇到了一个问题,如果我使用 20 个字符或更少的字符搜索文档,文档会出现,但是查询中同一个单词中的任何更多字符,我没有结果: 使用“苯氧甲基
我试图更好地理解 ElasticSearch 的内部结构,所以我想知道 ElasticSearch 在内部计算以下两种情况的术语统计信息的方式是否存在任何差异。 第一种情况是当我有这样的文件时: {
在我的 elasticsearch 索引中,我索引了一堆工作。为简单起见,我们只说它们是一堆职位。当人们在我的搜索引擎中输入职位时,我想“自动完成”可能的匹配。 我在这里调查了完成建议:http://
我在很多映射中使用多字段。在 Elastic Search 的文档中,指示应将多字段替换为“fields”参数。参见 http://www.elasticsearch.org/guide/en/ela
我有如下查询, query = { "query": {"query_string": {"query": "%s" % q}}, "filter":{"ids
我有一个Json数据 "hits": [ { "_index": "outboxprov1", "_type": "deleted-c
这可能是一个初学者的问题,但我对大小有一些疑问。 根据 Elasticsearch 规范,大小的最大值可以是 10000,我想在下面验证我的理解: 示例查询: GET testindex-2016.0
我在 Elastic Search 中发现了滚动功能,这看起来非常有趣。看了那么多文档,下面的问题我还是不清楚。 如果偏移量已经存在那么为什么要使用滚动? 即将到来的记录呢?假设它完成了所有数据的滚动
我有以下基于注释的 Elasticsearch 配置,我已将索引设置为不被分析,因为我不希望这些字段被标记化: @Document(indexName = "abc", type = "efg
我正在尝试在单个索引中创建多个类型。例如,我试图在host索引中创建两种类型(post,ytb),以便在它们之间创建父子关系。 PUT /ytb { "mappings": { "po
我尝试创建一个简单的模板,包括一些动态模板,但我似乎无法为文档编制索引。 我得到错误: 400 {"error":"MapperParsingException[mapping [_default_]
我是一名优秀的程序员,十分优秀!