之前几篇博文对nucth抓取周期的几个命令做了说明,本篇博文将对nutch抓取周期以外的几个重要的命令的使用进行详细的说明。
1. mergesegs
合并多个segment为一个segment。
参数:
参数说明:
- output_dir: 输出目录
- dir:合并路径
命令:
bin/nutch mergesegs data2/segments_all -dir data2/segments/
合并结果:
从结果可以看出,是把三个segments合并为了一个segment。
先来看下之前3个segment相关大小:
再来看下合并的结果大小:
从结果来看,大小没有变,是因为数据量比较小,如果数据量很大的话,效果也会相当的明显。另外hadoop对于处理大文件有先天的优势,所以合并的命令有非常大的作用。
合并的命令有3个:
另外两个:mergedb和mergelinkdb的使用方法和mergesegs的使用完全一样,这里不做详细说明。
2. invertlinks
反转连接,得到每一个连接的输入连接库。
参数:
参数说明:
- linkdb: linkdb路径
- dir:输出路径
执行命令:
bin/nutch mergesegs data2/segments_all -dir data2/segments/
执行结果:
可以看到,在data目录下面生成了linkdb目录了: