如何使用 Apache Nutch 抓取 .pdf 链接答案

【问题标题】：How to Crawl .pdf links using Apache Nutch如何使用 Apache Nutch 抓取 .pdf 链接
【发布时间】：2013-07-03 07:25:41
【问题描述】：

我有一个要抓取的网站，其中包含一些指向 pdf 文件的链接。我希望 nutch 抓取该链接并将它们转储为 .pdf 文件。我正在使用 Apache Nutch1.6，我也在 java 中将其作为

ToolRunner.run(NutchConfiguration.create(), new Crawl(),
                                 tokenize(crawlArg));
 SegmentReader.main(tokenize(dumpArg));

有人可以帮我解决这个问题

【问题讨论】：

标签： apache hadoop nutch

【解决方案1】：

如果您希望 Nutch 抓取和索引您的 pdf 文档，您必须启用文档抓取和 Tika 插件：

文档抓取

1.1 编辑 regex-urlfilter.txt 并删除任何出现的“pdf”

# skip image and other suffixes we can't yet parse
# for a more extensive coverage use the urlfilter-suffix plugin
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PPT|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|tgz|TGZ|mov|MOV|exe|EXE|jpeg|JPEG|bmp|BMP|js|JS)$

1.2 编辑 suffix-urlfilter.txt 并删除任何出现的“pdf”

1.3 编辑nutch-site.xml，在plugin.includes部分添加“parse-tika”和“parse-html”

<property>
  <name>plugin.includes</name>
  <value>protocol-http|urlfilter-regex|parse-(html|tika|text)|index-(basic|anchor)|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
  <description>Regular expression naming plugin directory names to
  include.  Any plugin not matching this expression is excluded.
  In any case you need at least include the nutch-extensionpoints plugin. By
  default Nutch includes crawling just HTML and plain text via HTTP,
  and basic indexing and search plugins. In order to use HTTPS please enable 
  protocol-httpclient, but be aware of possible intermittent problems with the 
  underlying commons-httpclient library.
  </description>
</property>

如果您真正想要从一个页面下载所有 pdf 文件，您可以使用 Teleport in Windows 或 *nix 中的 Wget。

【讨论】：

【解决方案2】：

您可以为 pdf mimetype 编写自己的插件
或者嵌入 apache-tika 解析器，它可以从 pdf 中检索文本..

【讨论】：