nutch如何才能抓取到动态的url

http://www.tianya.cn/new/TianyaCity/content.asp?idItem=296&idArticle=53561&idWriter=0&key=0

在运行的时候不会抓取到，分析了一下原因：主要在conf/crawl-urlfilter.txt.

 

分析：使用nutch默认的配置过滤文件的话，是不抓取到包含?*!@=等字符的URL

解决办法：修改crawl-urlfilter的过滤规则，

# The url filter file used by the crawl command.

# Better for intranet crawling.
# Be sure to change MY.DOMAIN.NAME to your domain name.

# Each non-comment, non-blank line contains a regular expression
# prefixed by '+' or '-'. The first matching pattern in the file
# determines whether a URL is included or ignored. If no pattern
# matches, the URL is ignored.

# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):

# skip image and other suffixes we can't yet parse
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

# skip URLs containing certain characters as probable queries, etc.
-[?*!@=]   //表示过滤包含指定字符的URL，改为： -[~]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/.+?)/.*?\1/.*?\1/

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*tianya.cn/[\s\S]*    // 过滤正则表达式，([a-z0-9]*\.)*表示任意数字和字母，[\s\S]*表示任意字符
# skip everything else
-.


Nutch爬虫设置

Nutch本身包含一个对目标站点进行索引的爬虫和一个提供搜索用的web界面。在查询界面可以使用前需要先设置Nutch爬虫对目标站点进行抓取。
部分配置文件的解释：

    * nutch\conf\nutch-default.xml
          o 设置http.agent.name，如果http.agent.name为空，爬虫将无法正常启动。这里可以设置任意你喜欢的名字，比如设置为vik-robot。
          o indexer.mergeFactor/indexer.minMergeDocs 这两个值都改成500。这两个参数值越大，性能越高，所需要花费的内存也需要相应的增加。如果设置过大，可能出现内存溢出。就实际使用情况，在当前参数下，内存的最大使用量为3xxM。
          o

            http.timeout表示最大超时等待时间，如果访问的连接长时间没有反应将丢弃。
          o db.max.outlinks.per.page该参数表示单个页面最多支持多少个外连的连接，如果过多将不抓取。 如果是自己的内部系统那就设置一个任意大的数吧。
          o nutch-default.xml 解读
    *

      创建文件nutch\urls，并填入爬虫的起始url。比如：

      http://mysite.com/

    *

      nutch\conf\crawl-urlfilter.txt 该文件用于设置需要索引的url的过滤关系。每行一个过滤条件，-表示不包含该url，+表示包含。
          o [?*!@=]，该行表示对所有动态url都不抓取。 现在的大部分系统都会有很多动态url，该过滤条件很可能使你抓不到任何内容。
          o

            针对各系统分别设置url的过滤关系。具体的设置方法得根据各自应用系统的不同而不同，这里以广为流行的论坛discuz为例。在这url过滤将只抓取板块列表和帖子内容。

            # skip file:, ftp:, & mailto: urls
            -^(file|ftp|mailto):

            # skip image and other suffixes we can't yet parse
            -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

            # skip URLs containing certain characters as probable queries, etc.
            #-[?*!@=]

            # skip URLs with slash-delimited segment that repeats 3+ times, to break loops
            -.*(/.+?)/.*?\1/.*?\1/

            # accept hosts in MY.DOMAIN.NAME
            #+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
            #discuz
            +^http://mysite.com/discuz/index.php$
            +^http://mysite.com/discuz/forumdisplay.php\?fid=\d+$
            +^http://mysite.com/discuz/forumdisplay.php\?fid=\d+&page=\d+$
            +^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+$
            +^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+&page=\d+$
            # skip everything else
            -.

    * nutch\conf\regex-urlfilter.txt 我不清楚该配置文件是否有起作用，但建议注释掉其中的，-[?*!@=]。

执行爬虫

    *

      由于Nutch的脚本采用的是linux下是shell，在windows下需要使用cygwin来执行。至于cygwin的具体使用...，这个到网上找其他文章吧。cygwin官网

    *

      进入Nutch目录后执行命令 sh bin/nutch crawl urls -dir crawl -threads 2 -depth 100 -topN 1000000 >& crawl.log 完成网站的抓取和索引。
          o threads 抓取网页的线程数，理论上线程数越多速度越快，但过多的线程会给服务器带来比较大的负担，影响正常使用。
          o depth 页面的抓取深度。
          o topN 每层最多抓取的页面数
          o crawl.log 日志存放文件