Nutch 一般工作流程

sequence of batch operations


1. inject -> populates CrawlDB from seed list

2. Generate -> Selets URLS to fetch in segment

3. Fetch -> Fetches URLs from segment

4. Parse -> Parses content(text + metadata)

5. UpdateDB -> Updates CroawlDB(new URLs, new status...)

6. InvertLinks -> Build Webgraph

7. SOLR Index -> Send docs to SOLR

8. SOLR Dedup -> Remove duplicate docs based on signature


Repeat steps 2 to 8

Or use the all-in-one crawl script

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值