pas basé sur http,comment faire nutch système de fichiers de crawl?
comme http://localhost:81 et ainsi de suite,
mais ramper directement un répertoire sur le système de fichiers local,
est-il sortir?
pas basé sur http,comment faire nutch système de fichiers de crawl?
comme http://localhost:81 et ainsi de suite,
mais ramper directement un répertoire sur le système de fichiers local,
est-il sortir?
nutch dispose de l'analyse intranet disponible. vous pouvez lire les détails here
De l'Nutch Wiki:
Comment puis-je index mon système de fichiers local?
http://wiki.apache.org/nutch/FAQ#head-c721b23b43b15885f5ea7d8da62c1c40a37878e6
1) vide sanitaire urlfilter.txt a besoin d'un changement pour autoriser fichier: URL sans http: suivant les, sinon il ne sera pas non plus quoi que ce soit d'index, ou il va sauter de votre disque sur sites Internet. Modifiez cette ligne:
-^(file|ftp|mailto|https):
to this:
-^(http|ftp|mailto|https):
2) vide sanitaire urlfilter.txt peut avoir des règles au fond de rejeter certaines URL. Si elle a ce fragment il est probablement correct:
# accept anything else +.*
3) J'ai changé nutch.xml inclure les éléments suivants:
<Parameter override="false" name="plugin.includes" value="protocol-file|protocol-http|urlfilter-regex|parse-(msword|pdf|text|html|js)|index-(basic|anchor)|query-(basic|site|url)|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)"/>
regex-urlfilter.txt a besoin d'un changement – gmlvsv