在Nutch 1.5中使用HtmlParseFilter和Tika解析器

Question

我想做什么：写一个Nutch插件，从每个被抓取的页面接收解析的数据。我知道HtmlParseFilter可以完成我对HTML页面的需求，但我也想处理其他类型的内容。当Tika解析一个PDF或Word文档时，它会将结果传递给我注册的HtmlParseFilter吗？如果没有，有没有其他方法可以拦截Tika的输出？

Answer 1

HtmlParseFilter确实处理所有内容类型（Tika可以）。它已在2.x分支中重命名为ParseFilter，以更准确地反映它的作用。