[英]How to config Nutch to crawl only the URLs in seeklist? (no crawl back need)
我有一个网址种子列表,其中包含超过100000个网址。 我知道,nutch不仅会抓取种子列表中的网址,还会抓取网站内找到的所有网址链接。 但是,我想知道有什么方法可以阻止这种行为吗? 因此,仅需要对种子列表中指定的url进行爬网。
在您的nutch-site.xml配置中,将“ db.ignore.external.links”属性设置为true。
这将忽略注入列表以外的任何网址。
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.