Question

我必须通过Apache Nutch 2.3.1提取一些克隆数据的元数据信息，Nutch默认不提供这些信息。因为我必须写一个插件。出于学习目的，我以Nutch tutorial为出发点。我知道这个教程适用于1.x版本。我已经更改了所有必需的分类并成功构建它。以下是我遵循的步骤。

创建一个像$ NUTCH_HOME / src / plugin / myPlugin
将index-metadata复制到我的plugina并创建一个文件myField.java cp -r index-metadata / * myPlugin /
目录列表应该像

myPlugin/plugin.xml
build.xml
ivy.xml
src/java/org/apache/nutch/indexer/AddField.java

plugin / myplgin / plugin.xml应如下所示

<?xml version="1.0" encoding="UTF-8"?>
<plugin id="myPlugin" name="Add Field to Index"
    version="1.0.0" provider-name="your name">
   <runtime>
     <library name="myPlugin.jar">
       <export name="*"/>
     </library>
   </runtime> 
   <extension id="org.apache.nutch.indexer.myPlugin"
       name="Add Field to Index"
       point="org.apache.nutch.indexer.IndexingFilter">
     <implementation id="myPlugin"
         class="org.apache.nutch.indexer.AddField"/>
   </extension>
</plugin>

更改build.xml，如

<?xml version="1.0" encoding="UTF-8"?>
<project name="myPlugin" default="jar">
  <import file="../build-plugin.xml"/>
</project>

然后

<ant dir="myPlugin" target="deploy" />

编辑./conf/nutch-site.xml

<property>
  <name>plugin.includes</name>
  <value>plugin-1|plugin-2|myPlugin</value>
  <description>Added myPlugin</description>
</property>

分别在schema.xml和solrindex-mapping.xml中添加以下行

<field name="pageLength" type="long" stored="true" indexed="true"/>
<field dest="pageLength" source="pageLength"/>

然后我编写了我的书面代码（类似于URL中的给定示例）

当我在本地模式下运行Nutch时，以下是索引到solr步骤日志信息

Active IndexWriters :
SOLRIndexWriter
    solr.server.url : URL of the SOLR instance (mandatory)
    solr.commit.size : buffer size when sending to SOLR (default 1000)
    solr.mapping.file : name of the mapping file for fields (default solrindex-mapping.xml)
    solr.auth : use authentication (default false)
    solr.auth.username : username for authentication
    solr.auth.password : password for authentication    
IndexingJob: done.

我在solr架构中也添加了字段pageLength。根据我的期望，应该有一个新的字段pageLength具有适当的值但是solr中没有字段。

问题出在哪里？它是一个简单的玩具示例。这是索引步骤

2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: content dest: content
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: title dest: title
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: host dest: host
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: batchId dest: batchId
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: boost dest: boost
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: digest dest: digest
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: tstamp dest: tstamp
2016-07-26 16:53:25,649 INFO  solr.SolrMappingReader - source: pageLength dest: pageLength
2016-07-26 16:53:26,140 INFO  solr.SolrIndexWriter - Total 1 document is added.
2016-07-26 16:53:26,140 INFO  indexer.IndexingJob - IndexingJob: done.

我如何确认插件是否由nutch加载？第二，有没有办法测试Nutch插件，然后再将它配置为nutch进行爬行？

Answer 1

尝试更改plugin.xml中的扩展ID。将其更改为“org.apache.nutch.indexer.AddField”并重新构建Nutch

<extension id="org.apache.nutch.indexer.AddField"
       name="Add Field to Index"
       point="org.apache.nutch.indexer.IndexingFilter">
     <implementation id="myPlugin"
         class="org.apache.nutch.indexer.AddField"/>
</extension>

我认为应该解决这个问题。

另外，只是为了验证控件是否来自您的插件类，或者不在代码中添加一些信息日志，如

LOG.info（“从插件打印”）;
如果你能够在hadoop.log中看到这些日志，那意味着控制将进入插件类。

Apache Nutch 2.3.1插件无法正常工作

1 个答案: