(1)运行爬虫命令行 bin/nutch crawl urls -dir crawl -depth 2 -threads 4 >& crawl.log 面解释下该命令: crawl 命令有几个参数,它们是: -dir 指定抓取后内容及索引的存放目录 -depth 指定网站抓取的层数 -delay 指定连接目标网站延迟时间 -threads 指定程序运行的线程数,以提高抓取速度 (2)tomcat配置中注意: 1,因为默认情况下,该 Nutch web module 会认为索引库位于 ./crawl ,所以启动 tomcat 时需要切换当前目录到 $NUTCH_HOME 2,别忘记在 server.xml 的 Connector 定义部分加上 URIEncoding="UTF-8" $ cd $NUTCH_HOME $ /opt/tomcat-5.5.20/bin/startup.sh (3)nutch-site.xml的http.agent.name不设置会报空指针错。
nutch注意事项:
最新推荐文章于 2024-07-21 17:12:35 发布