如何将 Nutch 2.3 中的图像抓取为 HBase 作为后端？

Question

我想从某些网站抓取图片。到目前为止，我尝试修改 正则表达式-urlfilter.txt。

我变了：

 -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PP
 T|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|tgz|TGZ|mov|MOV|exe|EXE|jpeg|JPEG|bmp|BMP|js|JS)$

收件人：

-\.(css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PPT|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|t
gz|TGZ|mov|MOV|exe|EXE|js|JS)$

但它没有用。我很惊讶我没有找到任何关于使用 Nutch 2.3 抓取图像的文档。参考任何现有的文档确实会有很大帮助。

Answer 1

要使用 Nutch 获取和存储图像，您必须执行以下步骤：

1- 添加正则表达式以不过滤图像格式，例如 jpg、jpeg、tif、gif、png 等...（您已经这样做了）

2- 实现一个用于解析图像的解析插件。有关 Nutch 扩展点和编写所需插件的更多信息，请点击以下链接：

http://wiki.apache.org/nutch/AboutPlugins

http://wiki.apache.org/nutch/WritingPluginExample

3- 告诉 Nutch 实现的插件并将其用于图像文件格式：

为此，您必须遵循两个不同的步骤，首先，修改 conf/parse-plugins.xml 并将您实现的插件映射到图像文件格式：

<mimeType name="image/jpeg">
        <plugin id="parse-image" />
</mimeType>
<mimeType name="image/gif">
        <plugin id="parse-image" />
</mimeType>
<mimeType name="image/png">
        <plugin id="parse-image" />
</mimeType>

其次，将实现的插件添加到nutch-site.xml 以在Nutch 运行时运行。您必须将实现的插件添加到<plugin.includes> 属性。