0

私の中で次のようにnutchを設定しましたconf/nutch-site.xml

<property>
  <name>plugin.includes</name>
  <value>urlfilter-regex|protocol-(http|file)|parse-(text|html|pdf|msword)|in
dex-(basic|anchor|more)|query-(basic|site|url)|response-(json|xml)|summary-basic
|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
  <description>Regular expression naming plugin directory names to
  include.  Any plugin not matching this expression is excluded.
  In any case you need at least include the nutch-extensionpoints plugin. By
  default Nutch includes crawling just HTML and plain text via HTTP,
  and basic indexing and search plugins. In order to use HTTPS please enable 
  protocol-httpclient, but be aware of possible intermittent problems with the 
  underlying commons-httpclient library.
  </description>
</property>

パーサーのリストに注意してください - テキスト、html、pdf、および msword のみ。しかし、何らかの奇妙な理由で、インデックスにいくつかの application/x-javascript ファイルを発見しました。なぜでしょうか？plugins ディレクトリにあるものを使用して、私の plugin.includes を無視していますか?

4

1 に答える 1

0

RSS フィードの解析には Nutch 1.1 (トランクではない) を使用しています。parse-rss プラグインを使用します。フィードは、プラグインを有効にした場合にのみ解析されます。そうでない場合、それらは無視されます。したがって、あなたの質問に答えるには、はい、Nutch は plugin.includes で定義されたプラグインのみを使用する必要があります。

于 2010-11-15T14:55:03.713 に答える