版本:
Nutch2.2.1
id
主键,根据网页url生成(格式:reversed domain name:protocol:port and path),因此,Nutch2只能保存当前网页的状态,而不能保存历史信息。
headers
标准的http headers ,其中包含非打印字符。Last-Modified 等信息可能于判断网页是否需要更新(仅需发一个head请求,而不是下载整个网页)
text
合并了解析出来的所有文本字段(utf-8),用于普通的检索,不过现在检索一般使用solr,所以这个字段意义不大。
status
记录抓取状态
1 unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)
2 fetched (page was successfully fetched)
3 gone (that page no longer exists)
4 redir_temp (temporary redirection — see reprUrl below for more details)
5 redir_perm (permanent redirection — see reprUrl below for more details)
34 retry
38 not modified
markers
各个任务的标记(如:dist***injmrk_***updmrk_***ftcmrk_***gnmrk_***prsmrk_**)
parseStatus
parse状态,在执行parseJob之前都是NULL。
ParseStatusCodes.html
modifiedTime
最后更改时间
score
网页重要程度(PR),Nutch2.2.1 使用的是OPIC算法
typ
类型(如application/xhtml+xml)
batchId
批次ID,由generate生成( (curTime/1000) + "-" +randomSeed ), fetch时可选择特定batchId的任务
baseUrl
用于将网页源码中相对链接地址的转为绝对地址,通常就是当前网页的地址,有重定向的情况下,是最终定向到的地址
content
完整的网页源码,未经任何处理(字符集也没转)。
title
title标签里的内容 (已转utf-8编码)
reprUrl
重定向url,将在下一轮抓取,不会立即跟入
fetchInterval
抓取间隔,默认是2592000(30天)
prevFetchTime
上次抓取时间
inlinks
入链(url+linktext)
prevSignature
上次更新时网页签名
outlinks
出链(url+linktext)
fetchTime
下次抓取时间,通常是间隔一个月
retriesSinceFetch
重试次数
protocolStatus
ACCESS_DENIED 17
BLOCKED 23
EXCEPTION 16
FAILED 2
GONE 11
MOVED 12
NOTFETCHING 20
NOTFOUND 14
NOTMODIFIED 21
PROTO_NOT_FOUND 10
REDIR_EXCEEDED 19
RETRY 15
ROBOTS_DENIED 18
SUCCESS 1
TEMP_MOVED 13
WOULDBLOCK 22
signature
网页签名,用于判断网页是否改变,默认的实现是:org.apache.nutch.crawl.MD5Signature ,采用content的MD5值,另一个方案是
org.apache.nutch.crawl.TextProfileSignature,content抽取文本、分词、排序等一系列操作后计算MD5值
TextProfileSignature
metadata
自定义元数据,可以在种子文件里面加,例如: "http://xxxx/xxx.html \t type=news"