nutch杂记

1. 如何绕过目标站点的robots.txt限制 
多数站点都是只允许百度、google等搜索引擎抓取的，所以会在robots.txt里限制其他爬虫。 
nutch自然是会遵循robots协议的，但是我们可以通过修改nutch源码来绕过限制。 
相关代码位于（nutch版本1.5.1，其他版本未测试）： 
org.apache.nutch.fetcher.Fetcher的run方法. 
找到以下几行代码并注释掉就OK了。 

if (!rules.isAllowed(fit.u)) {
                // unblock
                fetchQueues.finishFetchItem(fit, true);
                if (LOG.isDebugEnabled()) {
                  LOG.debug("Denied by robots.txt: " + fit.url);
                }
                output(fit.url, fit.datum, null, ProtocolStatus.STATUS_ROBOTS_DENIED, CrawlDatum.STATUS_FETCH_GONE);
                reporter.incrCounter("FetcherStatus", "robots_denied", 1);
                continue;
              }

2. url掉转导致html parse不成功的问题 
在抓取百度百科的景点数据时，发现部分页面不会走html parse部分的逻辑，而我的plugin是基于HtmlParserFilter扩展点的，因而没有生效。 
后来发现请求部分页面的链接返回的http状态为301，跳转之后才会到真正页面，而nutch默认是不会抓取跳转后的页面的.这时需要修改nutch-site.xml，加入以下配置即可，nutch-default.xml里的默认值是0，我们这里改成一个大于0的值，nutch就会继续抓取跳转后的页面了。 

<property>
  <name>http.redirect.max</name>
  <value>2</value>
  <description>The maximum number of redirects the fetcher will follow when
  trying to fetch a page. If set to negative or 0, fetcher won't immediately
  follow redirected URLs, instead it will record them for later fetching.
  </description>
</property>

3. 抽取的过程中发现某些属性老是抽不到，而在不使用nutch抓取的情况下是能抽到的，进而怀疑nutch抓取的页面不全。于是去google了一下"nutch content limit"，发现nutch有这么一个配置项： 

<property>
  <name>http.content.limit</name>
  <value>65536</value>
  <description>The length limit for downloaded content using the http://
  protocol, in bytes. If this value is nonnegative (>=0), content longer
  than it will be truncated; otherwise, no truncation at all. Do not
  confuse this setting with the file.content.limit setting.
  </description>
</property>

用来限制抓取内容的大小，放大10倍后，问题解决。 
需要注意的是nutch还有一个很容易混淆的配置项： 

<property>
  <name>file.content.limit</name>
  <value>65536</value>
  <description>The length limit for downloaded content using the file://
  protocol, in bytes. If this value is nonnegative (>=0), content longer
  than it will be truncated; otherwise, no truncation at all. Do not
  confuse this setting with the http.content.limit setting.
  </description>
</property>

两个配置用于的协议不同，前者是http协议，后者是file协议，我一开始就配置错了，折腾了半天。。。 

PS：最后推荐两篇介绍nutch的文章，在官方文档不那么给力的情况下，这两篇文章给了我不小的帮助，感谢下作者。 
http://www.atlantbh.com/apache-nutch-overview/ 对nutch的整体流程做了介绍 
http://www.atlantbh.com/precise-data-extraction-with-apache-nutch/ 用实际例子介绍了nutch plugin的开发和部署