[英]how to limit the crawling depth in stormcrawler
我的用例是仅每天从网站的任何页面和外链(仅存在于该页面上)中提取文本。 例如,我想抓取此页面上存在的( https://www.indiatimes.com/news/world )的所有链接。 这给了我每天几篇新鲜的新闻文章。 每天这个页面上大约有 30-40 个新闻文章链接,我想抓取并存储在我的数据库中。
这些是我现在拥有的一些配置-
这是 crawler-conf.yaml 的一部分 -
parser.emitOutlinks: true
perser.emitOutlinks.max.per.page: 0
track.anchors: true
metadata.track.path: true
metadata.track.depth: true
这是 urlfilters.json 的一部分-
{
"class": "com.digitalpebble.stormcrawler.filtering.depth.MaxDepthFilter",
"name": "MaxDepthFilter",
"params": {
"maxDepth": 0
}
}
在这些配置上,这个例如页面提供了超过 35000 次点击。 它会抓取我不需要的整个网站。 它从外链获得越来越多的 url。 如果我将 maxdepth 参数更改为 1 或 0 或 2,爬行的行为保持不变。 maxdepth 参数是否适合此用例? 我想将爬行的这种递归性质限制为仅种子 URL 和种子 url 的外链。 maxdepth 参数实际上是什么意思? 我应该怎么做才能限制爬网的扩展。
我正在使用 stromcrawler 1.16。
这正是最大深度过滤器的用途。 请记住,您需要使用mvn clean package重建您的 JAR 以使对 urlfilters.json 的任何更改生效。
如果您在解析页面时不想要任何外链,只需在配置中将parser.emitOutlinks设置为 false。
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.