web-crawler - 运行nutch爬虫时爬取的数据存放在哪里？

Question

我是 Nutch 的新手。我需要抓取网页(比如几百个网页)，读取抓取的数据并进行一些分析。

我点击了链接 https://wiki.apache.org/nutch/NutchTutorial (并且集成了 Solr，因为我将来可能需要搜索文本)并使用几个 URL 作为种子运行爬网。

现在，我没有找到 text/html我本地机器上的数据。在哪里可以找到数据以及以文本格式读取数据的最佳方法是什么？

版本

apache-nutch-1.9

solr-4.10.4

Answer 1

抓取结束后，您可以使用 bin/nutch dump 命令转储以纯 html 格式获取的所有 url。

用法如下:

$ bin/nutch dump [-h] [-mimetype <mimetype>] [-outputDir <outputDir>]
   [-segment <segment>]
 -h,--help                show this help message
 -mimetype <mimetype>     an optional list of mimetypes to dump, excluding
                      all others. Defaults to all.
 -outputDir <outputDir>   output directory (which will be created) to host
                      the raw data
 -segment <segment>       the segment(s) to use

所以例如你可以做类似的事情

$ bin/nutch dump -segment crawl/segments -outputDir crawl/dump/

这将在 -outputDir 位置创建一个新目录并转储以 html 格式抓取的所有页面。

从 Nutch 转储特定数据的方法还有很多，请查看 https://wiki.apache.org/nutch/CommandLineOptions