[英]How to crawl images in Nutch 2.3 as HBase as backend?
我想從某些站點抓取圖像。 到目前為止,我嘗試修改regex-urlfilter.txt。
我變了:
-\.(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)$
但這沒有用。 令我感到驚訝的是,我沒有找到有關使用Nutch 2.3抓取圖像的任何文檔。 引用任何現有文檔確實是一個很大的幫助。
為了使用Nutch提取和存儲圖像,您必須遵循以下步驟:
1-添加正則表達式以不過濾圖像格式,例如jpg,jpeg,tif,gif,png等(您已經做過)
2-實現用於解析圖像的解析插件。 有關Nutch擴展點和編寫所需插件的更多信息,請遵循以下鏈接:
http://wiki.apache.org/nutch/AboutPlugins
http://wiki.apache.org/nutch/WritingPluginExample
3-告訴Nutch有關已實現的插件並將其用於圖像文件格式的信息:
為此,您必須遵循兩個不同的步驟,首先,修改conf / parse-plugins.xml並將實現的插件映射為圖像文件格式:
<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,將已實現的插件添加到nutch-site.xml
,以在Nutch運行時中運行。 您必須將實現的插件添加到<plugin.includes>
屬性。
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.