java - Apache Nutch 2.3.1 插件无法工作

Question

我必须提取 Apache Nutch 2.3.1 爬取数据的一些元数据信息，但 Nutch 默认情况下不提供这些信息。为此我必须编写一个插件。出于学习目的，我采取了 Nutch tutorial作为起点。我知道本教程适用于 1.x 版本。我已经更改了所有必需的类并成功构建了它。以下是我遵循的步骤。

1. 创建一个目录，例如 $NUTCH_HOME/src/plugin/myPlugin
2. 将索引元数据复制到我的插件并创建一个文件 myField.javacp -r 索引元数据/* myPlugin/
3. 目录列表应该类似于

myPlugin/plugin.xml
build.xml
ivy.xml
src/java/org/apache/nutch/indexer/AddField.java

plugin/myplgin/plugin.xml 应该如下所示

<?xml version="1.0" encoding="UTF-8"?>
<plugin id="myPlugin" name="Add Field to Index"
    version="1.0.0" provider-name="your name">
   <runtime>
     <library name="myPlugin.jar">
       <export name="*"/>
     </library>
   </runtime> 
   <extension id="org.apache.nutch.indexer.myPlugin"
       name="Add Field to Index"
       point="org.apache.nutch.indexer.IndexingFilter">
     <implementation id="myPlugin"
         class="org.apache.nutch.indexer.AddField"/>
   </extension>
</plugin>

像这样更改 build.xml

<?xml version="1.0" encoding="UTF-8"?>
<project name="myPlugin" default="jar">
  <import file="../build-plugin.xml"/>
</project>

然后

<ant dir="myPlugin" target="deploy" />

编辑您的 ./conf/nutch-site.xml

<property>
  <name>plugin.includes</name>
  <value>plugin-1|plugin-2|myPlugin</value>
  <description>Added myPlugin</description>
</property>

分别在 schema.xml 和 solrindex-mapping.xml 中添加以下行

<field name="pageLength" type="long" stored="true" indexed="true"/>
<field dest="pageLength" source="pageLength"/>

然后我编译了我编写的代码(类似于 URL 中的给定示例)

当我在本地模式下运行 Nutch 时，以下是对 solr 步骤日志信息的索引

Active IndexWriters :
SOLRIndexWriter
    solr.server.url : URL of the SOLR instance (mandatory)
    solr.commit.size : buffer size when sending to SOLR (default 1000)
    solr.mapping.file : name of the mapping file for fields (default solrindex-mapping.xml)
    solr.auth : use authentication (default false)
    solr.auth.username : username for authentication
    solr.auth.password : password for authentication    
IndexingJob: done.

我还在 solr 模式中添加了字段 pageLength。根据我的预期，应该有一个新字段 pageLength 具有正确的值，但 solr 中没有字段。

问题出在哪里？这是一个简单的玩具示例。这是索引步骤的 nutch 日志文件 (hadoop.log) 输出

2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: content dest: content
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: title dest: title
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: host dest: host
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: batchId dest: batchId
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: boost dest: boost
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: digest dest: digest
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: tstamp dest: tstamp
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: pageLength dest: pageLength
2016-07-26 16:53:26,140 INFO  solr.SolrIndexWriter - Total 1 document is added.
2016-07-26 16:53:26,140 INFO  indexer.IndexingJob - IndexingJob: done.

我如何确认插件已被 nutch 加载？其次，在我将Nutch插件配置为nutch进行爬行之前，有什么方法可以测试它吗？

Answer 1

尝试更改plugin.xml中的扩展ID。将其更改为“org.apache.nutch.indexer.AddField”并重新构建 Nutch

<extension id="org.apache.nutch.indexer.AddField"
       name="Add Field to Index"
       point="org.apache.nutch.indexer.IndexingFilter">
     <implementation id="myPlugin"
         class="org.apache.nutch.indexer.AddField"/>
</extension>

我认为这应该可以解决问题。

也只是为了验证控件是否进入您的插件类，或者不在您的代码中添加一些信息日志，例如

LOG.info("从插件打印");
如果您能够在 hadoop.log 中看到这些日志，则意味着控制权已转移到插件类。