yangzhoustu-CSDN博客

原创 linux下实现文件转移的sh脚本

实现目标：CN目录下有若干文件夹，并且每个文件夹中有一系列以CN开头的子文件夹，现要求将CN开头的这些子文件夹实现按文件夹名进行组织存放，例如将/home/CN/temp/CN20081478023的文件夹存放到/home/CN/2008/1478/CN20081478023,则shell命令如下：#!/bin/bash# forcount=1for file in ../CN/*...

2010-08-24 23:28:10 202

原创 java 判断pdf文档是否已损坏

最近利用爬虫上网下了很多pdf文档，但有一小部分由于网络不稳定等原因，在下载过程中出现了错误，而网上又缺少批量判断的工具，因此调研了一些开源工具，写了一个小程序！需要的jar包： 1、bouncycastle.jar http://d.download.csdn.net/down/474865/dog3752 2、iText ...

2010-07-14 13:17:29 5121

原创 Linux Shell编程入门[转载]

由于项目需要，最近需要写一些shell脚本，苦于无基础，转载一些文档先学习下：关于变量，还需要知道几个与其相关的Linux命令。 env用于显示用户环境区中的变量及其取值；set用于显示本地数据区和用户环境区中的变量及其取值；unset用于删除指定变量当前的取值，该值将被指定为NULL；export命令用于将本地数据区中的变量转移到用户环境区。下面我们来看一个更复杂的例子，结...

2010-06-24 22:32:54 143

原创 eclipse 无法启动 JVM terminated. Exit code=-1

今天eclipse启动时弹出一个框框： eclipse 无法启动 JVM terminated. Exit code=-1 ......原因： eclipse.ini中内存设置过大。修改：eclipse目录下eclipse.ini的配置如下：-showsplashcom.genuitec.myeclipse.product--launcher....

2010-06-24 16:01:24 187

Nutch1.0在eclipse中运行问题之解决

今天按照前面几篇文章所述之操作解决了程序中的报错，但是在调试运行过程中会出现如果错误.本问题主要针对windows操作系统.[b]问题一:[/b]现贴出：2010-03-25 21:42:33,937 WARN fs.FileSystem (FileSystem.java:(1440)) - uri=file:///javax.security.auth.login.LoginE...

2010-03-25 21:51:28 128

Nutch1.0导入eclipse错误解决

Nutch1.0导入eclipse工程后，一般的工程都会有两个错误，nutch的official 1.0 release版本中，这两个问题因为licensing issues没有修复。接下来的就是最关键的部分了。修改---- src\plugin\parse-rtf\src\java\org\apache\nutch\parse\rtf下 RTFParseFactory.java添加--...

2010-03-25 16:05:03 131

本人专业为web数据挖掘,对于web爬虫和信息抽取有一定的了解，并做了一些相关研究，现今想学习nutch的一些知识，以丰富自己的知识，指导自己的研究。由于nutch源码比较复杂，本人准备从基础入手，而入手资料主要来源于互联网，所以本博客很多文章都是我为了学习从不同的数据源转载而来，很多不是自己的原创，这里加以说明。在以后对nutch的逐步学习过程中，我会将自己的心得体会一一记录，与大家分享，希...

2010-03-24 13:36:22 103

nutch工程源码导入Eclipse过程

测试环境Nutch release 0.9Eclipse 3.3 - aka EuropaJava 1.6开始之前Setting up Nutch to run into Eclipse can be tricky, and most of the time you are much faster if you edit Nutch in Eclipse but r...

2010-03-24 13:27:59 115

开源搜索引擎Nutch初体验

Nutch的源码，它的作者和Lucene是一个人，但除了使用基于Lucene的索引和检索模块外，它还包括了crawler、crawl frontier、反向链接数据库、Web检索前端等其它组件。它至少有两大亮点决定了它是目前最好的开源搜索引擎实现，一个是基于Lucene的高效索引和检索功能，另一个是基于Apache的另一开源项目Hadoop实现的类似于Google的分布式文件系统，特别是它大量使用...

2010-03-23 21:26:44 124

Nutch中Injector的过程

Injector过程主要分成两个过程，而且这两个过程是两个独立的Map/Reduce任务，前一个任务只有Map，后一个任务是一个完整的Map/Reduce过程。在详细介绍之前，先看inject()的主调用代码：代码1：public void inject(Path crawlDb, Path urlDir) throws IOException { if (LOG.isI...

2010-03-23 20:43:53 198

Nutch1.0中Index的过程

Index阶段就一个Map/Reduce任务，其作用主要是负责为导入的所有的segment建索引，先看一下其主调用函数Indexer.index()函数。代码：public void index(Path luceneDir, Path crawlDb, Path linkDb, List segments) throws IOException { LOG.info("I...

2010-03-23 20:42:05 116

Nutch中写crawlDB的过程

在爬取网一个页面之后，会解析出一些，这些键值对基本上分为三类：（1）刚爬取的页面的url，及其对应的CrawlDatum对象，这时其CrawlDatum对象保存的一般页面分析后的一些信息，如爬取时间，分值等；（2）从刚爬取的页面中解析出来的outlinks, 及其对应的CrawlDatum对象, 这时其CrawlDatum对象保存的一般都是一些初始化的信息，其状态一般也为unfetch...

2010-03-23 20:40:30 102

nutch安装，使用，二次开发入门(转)

关键字: cygwin nutch 安装 1.1 Nutch安装参考资料：http://www.blogjava.net/dev2dev/archive/2006/02/01/29415.aspx Nutch在Windows中安装之细解由于运行Nutch自带的脚本命令需要Linux的环境，所以必须首先安装Cygwin来模拟这种环境。 1）安装cygwin ...

2010-03-23 17:10:36 174

剖析NUTCH爬虫

1.　　　简介开源项目NUTCH搜索引擎大致包括三个部分： (1)　　爬虫：寻找并抓取网页 (2)　　网页库：存储已知URL和已抓取网页的数据库 (3)　　索引器：解析网页并按照主题字典建立索引 2. NUTCH命令脚本 NUTCH使用多个"bin/nutch"命令脚本进行操作，其中每个脚本命令与一个java类相对应对于整个网络网页的抓取，你需要利用下面的命令逐步进行： $ bin/nutc...

2010-03-23 17:07:59 119

杨舟的技术博客