[英]How to crawl images in Nutch 2.3 as HBase as backend?
我想从某些站点抓取图像。 到目前为止,我尝试修改regex-urlfilter.txt。
我变了:
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PP
T|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|tgz|TGZ|mov|MOV|exe|EXE|jpeg|JPEG|bmp|BMP|js|JS)$
至:
-\.(css|CSS|sit|SIT|eps|EPS|wmf|WMF|zip|ZIP|ppt|PPT|mpg|MPG|xls|XLS|gz|GZ|rpm|RPM|t
gz|TGZ|mov|MOV|exe|EXE|js|JS)$
但这没有用。 令我感到惊讶的是,我没有找到有关使用Nutch 2.3抓取图像的任何文档。 引用任何现有文档确实是一个很大的帮助。
为了使用Nutch提取和存储图像,您必须遵循以下步骤:
1-添加正则表达式以不过滤图像格式,例如jpg,jpeg,tif,gif,png等(您已经做过)
2-实现用于解析图像的解析插件。 有关Nutch扩展点和编写所需插件的更多信息,请遵循以下链接:
http://wiki.apache.org/nutch/AboutPlugins
http://wiki.apache.org/nutch/WritingPluginExample
3-告诉Nutch有关已实现的插件并将其用于图像文件格式的信息:
为此,您必须遵循两个不同的步骤,首先,修改conf / parse-plugins.xml并将实现的插件映射为图像文件格式:
<mimeType name="image/jpeg">
<plugin id="parse-image" />
</mimeType>
<mimeType name="image/gif">
<plugin id="parse-image" />
</mimeType>
<mimeType name="image/png">
<plugin id="parse-image" />
</mimeType>
其次,将已实现的插件添加到nutch-site.xml
,以在Nutch运行时中运行。 您必须将实现的插件添加到<plugin.includes>
属性。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.