Question

我正在玩Apache Nutch，我正在成功抓取一个网站。我想用Nutch克隆一个网站，以便我可以离线访问已抓取的网页。有没有办法做到这一点？我正在寻找类似端点的东西，它接收网址并返回网页的内容，就好像我正在用卷曲来获取网址。

我知道有更专业的解决方案，如HTTrack，但我想知道是否可以使用Nutch来做到这一点。

Answer 1

我认为你现在不需要这个，但无论如何我正在回答我的问题。当然可以使用Apache Nutch。在执行fetch命令后，注入种子URL并生成url段以进行提取 -

$ bin/nutch fetch -all

Hbase（使用Hbase作为Nutch的存储非常传统）webpage表结构将是这样的 -

webpage : {
  key : "com.exampe.dev:http/",
  f : {
    bas : {
      timestamp : 1293732801833, 
      value : "http://dev.example.com/" 
    },
    cnt : {
      timestamp : 1293732801833, 
      value : "DOCTYPE html PUBLIC "-//W3C//DTD X...rest of page content" 
    },
    fi : {
      timestamp : 1293676557658,
      value : "\x00'\x8D\x00" 
    },
    prot : {
      timestamp : 1293732801833, 
      value : "x02\x00\x00" 
    },
    st : {
      timestamp : 1293732801833, 
      value : "x00\x00\x00\x02" 
    },
    ts : {
      timestamp : 1293676557658,
      value : "\x00\x00\x01-5!\x9D\xE5" 
    }
    typ : {
      timestamp : 1293732801833, 
      value : "application/xhtml+xml" 
    }
  },
  h : {
    Cache-Control : {
      timestamp : 1293732801833, 
      value : "private" 
    },
    Content-Type : {
      timestamp : 1293732801833, 
      value : "text/html; charset=UTF-8" 
    },
    Date : {
      timestamp : 1293732801833, 
      value : "Thu, 30 Dec 2010 18:13:21 GMT" 
    },
    ETag : {
      timestamp : 1293732801833, 
      value : 40bdf8b9-8c0a-477e-9ee4-b19995601dde" 
    },
    Expires : {
      timestamp : 1293732801833, 
      value : "Thu, 30 Dec 2010 18:13:21 GMT" 
    },
    Last-Modified : {
      timestamp : 1293732801833, 
      value : "Thu, 30 Dec 2010 15:01:20 GMT" 
    },
    Server : {
      timestamp : 1293732801833, 
      value : "GSE" 
    },
    Set-Cookie : {
      timestamp : 1293732801833, 
      value : "blogger_TID=130c0c57a66d0704;HttpOnly" 
    },
    X-Content-Type-Options : {
      timestamp : 1293732801833, 
      value : "nosniff" 
    },
    X-XSS-Protection : {
      timestamp : 1293732801833, 
      value : "1; mode=block" 
    }
  },
  mk : {
    _injmrk_ : {
      timestamp : 1293676557658, 
      value : "y" 
    },
    _gnmrk_ : {
      timestamp=1293732629430, 
      value : "1293732622-2092819984" 
    },
    _ftcmrk_ : {
      timestamp : 1293732801833, 
      value : "1293732622-2092819984" 
    }
  },
  mtdt : {
    _csh_ : {
      timestamp : 1293676557658, 
      value : "x80\x00\x00" 
    }
  },
  s : {
    s : {
      timestamp : 1293676557658, 
      value : "x80\x00\x00" 
    }
  }
}

cnt列系列下名为f的列将包含您网页的整个html内容。所以你可以使用它来显然克隆页面。

此外，您可以编写实现Parser或ParseFilter接口的自定义插件来捕获页面的整个内容。代码非常简单。

Nutch - 克隆网站

1 个答案: