Question

我使用60000的db.fetch.interval.default设置Nutch，这样我就可以每天爬行。如果我不这样做，那么当我第二天爬行时，它甚至都不会看我的网站。但是当我第二天抓取时，昨天获取的每个页面都会获得一个200响应代码，表明它没有在“If-Modified-Since”中使用前一天的日期。它不应该跳过提取未更改的页面吗？有没有办法让它做到这一点？我注意到Fetcher.java中有一个ProtocolStatus.NOT_MODIFIED，所以我认为它应该可以做到这一点，不应该吗？

顺便说一句，这是从当前主干的conf / nutch-default.xml剪切并粘贴的：

<!-- web db properties -->

<property>
  <name>db.default.fetch.interval</name>
  <value>30</value>
  <description>(DEPRECATED) The default number of days between re-fetches of a page.
  </description>
</property>

<property>
  <name>db.fetch.interval.default</name>
  <value>2592000</value>
  <description>The default number of seconds between re-fetches of a page (30 days).
  </description>
</property>

Answer 1

我发现了问题。这是Nutch的一个错误。我已经通过电子邮件发送了Nutch开发者列表，但这是我的修复：

Index: src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java
===================================================================
--- src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java  (revision 802632)
+++ src/plugin/protocol-http/src/java/org/apache/nutch/protocol/http/HttpResponse.java  (working copy)
@@ -124,11 +124,15 @@
         reqStr.append("\r\n");
       }

-      reqStr.append("\r\n");
       if (datum.getModifiedTime() > 0) {
         reqStr.append("If-Modified-Since: " + HttpDateFormat.toString(datum.getModifiedTime()));
         reqStr.append("\r\n");
       }
+      else if (datum.getFetchTime() > 0) {
+          reqStr.append("If-Modified-Since: " + HttpDateFormat.toString(datum.getFetchTime()));
+          reqStr.append("\r\n");
+      }
+      reqStr.append("\r\n");     

       byte[] reqBytes= reqStr.toString().getBytes();

现在我在我的Apache日志中看到304s，我应该看到它们。

Answer 2

我认为你误认为是一个选项名称 - db.fetch.interval.default。应该是。

<强> db.default.fetch.interval

获取每个页面注入后的天数，接下来应该提取它。默认为30。

我刚刚阅读了最新版本的更改日志，并在

中找到了

NUTCH-61 - 支持自适应重新获取间隔和检测   未修改的内容。（AB）

如果您没有安装最新版本，我建议您这样做。

另外，您使用-adddays选项进行抓取吗？

为什么Nutch似乎不知道“Last-Modified”？

2 个答案: