web-crawler - 为什么 Nutch 似乎不知道 "Last-Modified"？

Question

我将 Nutch 设置为 60000 的 db.fetch.interval.default，这样我就可以每天爬行。如果我不这样做，当我第二天抓取时它甚至不会查看我的网站。但是，当我第二天进行爬网时，昨天获取的每个页面都会获取 200 响应代码，表明它没有在“If-Modified-Since”中使用前一天的日期。它不应该跳过获取未更改的页面吗？有没有办法让它做到这一点？我注意到 Fetcher.java 中有一个 ProtocolStatus.NOT_MODIFIED，所以我认为它应该能够做到这一点，不是吗？

顺便说一句，这是从当前主干的conf/nutch-default.xml 中剪切并粘贴的:

<!-- web db properties -->

<property>
  <name>db.default.fetch.interval</name>
  <value>30</value>
  <description>(DEPRECATED) The default number of days between re-fetches of a page.
  </description>
</property>

<property>
  <name>db.fetch.interval.default</name>
  <value>2592000</value>
  <description>The default number of seconds between re-fetches of a page (30 days).
  </description>
</property>

Answer 1

我发现了问题。这是 Nutch 中的一个错误。我已向 Nutch 开发人员列表发送了有关此问题的电子邮件，但这是我的修复方法:

Index: src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java
===================================================================
--- src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java  (revision 802632)
+++ src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java  (working copy)
@@ -124,11 +124,15 @@
         reqStr.append("\r\n");
       }

-      reqStr.append("\r\n");
       if (datum.getModifiedTime() > 0) {
         reqStr.append("If-Modified-Since: " + HttpDateFormat.toString(datum.getModifiedTime()));
         reqStr.append("\r\n");
       }
+      else if (datum.getFetchTime() > 0) {
+          reqStr.append("If-Modified-Since: " + HttpDateFormat.toString(datum.getFetchTime()));
+          reqStr.append("\r\n");
+      }
+      reqStr.append("\r\n");     

       byte[] reqBytes= reqStr.toString().getBytes();

现在我在我应该看到的 Apache 日志中看到了 304。