使用ApacheNutch解析和存储

zd287kbt 于 2021-06-09 发布在 Hbase

关注(0)|答案(2)|浏览(410)

我正在尝试开发一个爬虫来爬行 youtube.com 并解析元信息（标题、描述、发布者等）并将其存储到hbase/其他存储系统中。我明白我必须编写插件来实现这一点。但是我不知道我需要为这个写什么插件。我用这四个来检查-

Parser
ParserFilter
Indexer
IndexFilter

要解析youtube页面的特定元数据信息，我是否需要编写自定义解析器插件或parsefilter插件以及使用 parse-html 插件？
解析之后，要将条目存储在hbase/其他存储系统中，是否需要编写indexwriter插件？通过索引，我们通常理解solr、elasticsearch等中的索引，但我显然不需要在任何搜索引擎中索引。那么，在解析之后如何将它们存储在某个存储中（比如hbase）？
提前谢谢！

hbase parsing nutch web-crawler

来源：https://stackoverflow.com/questions/43310084/parse-and-store-using-apache-nutch

2条答案

按热度按时间

5w9g7ksd1#

因为youtube是一个网页，你需要写一个 HtmlParseFilter 它允许您访问从服务器获取的原始html，但目前youtube上有很多javascript，两者都没有 parse-html 或者 parse-tika 支持执行js代码，所以我建议您使用协议selenium插件，这样您就可以将网页的呈现委托给selenium驱动程序，并获取html（在执行完所有js之后）。在你写完你自己的之后 HtmlParseFilter 你得自己写 IndexingFilter ，在这种情况下，您只需要指定要发送到后端的信息，这完全不受后端的影响，并且只依赖于nutch代码库（这就是为什么您需要自己的代码库） IndexWriter ).
我假设您使用的是nutch1.x，在这种情况下，是的，您需要编写一个自定义 IndexWriter 对于您的后端（这是相当容易的）。如果您使用nutch2.x，您将可以通过apachegora访问多个后端，但是您将缺少一些特性（比如协议selenium）。