我知道正则表达式可用于限制将要下载的页面。但是，我想只抓取给定页面中的锚链接在一组网址中的那些页面。例如，我有一个数组，其中包含[＆＃39;计算机＆＃39;，＆＃39;软件＆＃39;＆＃39;硬件＆＃39;＆＃39;操作系统＆＃39;，＆＃ 39; thread＆＃39;]，我只想抓取那些锚文本包含数组中这些单词之一的网址。我应该在哪里实现Nutch的这种逻辑？谢谢。
答案 0 :(得分：0)
正如您所指出的，URLFilters在处理URL字符串时并没有多大用处。您可以通过实现自定义HTMLParseFilter来实现您所描述的内容，您可以在其中访问当前文档的ParseData。它包含您可以根据其锚值过滤的Outlinks。
有大量关于如何编写插件和/或自定义HTMLParseFilter的示例，请参阅MetaTagsParser。