最近更新|软件分类|软件专题|软件排行|手机版|软件发布Apache Nutch最新版 v2.3 免费版
您的位置:首页>网络软件 > 搜索引擎>Apache Nutch最新版 v2.3 免费版

Apache Nutch最新版 v2.3 免费版Java搜索引擎工具

网友评分:

相关软件

软件介绍

Apache Nutch最新版是一款非常专业的Java搜索引擎工具,它还为大家提供高质量的搜索结果,非常的方便实用,欢迎下载!

Apache Nutch最新版

软件介绍

Apache Nutch是一个开放源代码的Java搜索引擎框架,它提供了运行自己的搜索引擎所需要的全部工具,包括全文搜索和Web爬虫,使用Nutch不仅可以建立自己内部网的搜索引擎,同时也可以针对整个网络建立搜索引擎。

软件特色

1、Nutch致力于让每个人能很容易,同时花费很少就可以配置世界一流的Web搜索引擎

2、每个月取几十亿网页

3、为这些网页维护一个索引

4、对索引文件进行每秒上千次的搜索

5、提供高质量的搜索结果

软件功能

1、支持将起始URL集合注入到Nutch系统之中

2、支持生成片段文件,其中包含了将要抓取的URL地址

3、根据URL地址在互联网上抓取相应的内容

4、解析所抓取到的网页,并分析其中的文本和数据

5、根据新抓取的网页中的URL集合来更新起始URL集合,并再次进行抓取

6、同时,对抓取到的网页内容建立索引,生成索引文件存放在系统之中

Apache Nutch最新版

使用教程

1、首先先运行软件,选择File -> Import Project ->选择apache-nutch-1.9文件夹,确定后选择Import project from external model(Eclipse)

2、一直点击next到结束,成功将项目导入project中去

3、源码导入工程后,并不能执行完整的爬取。Nutch将爬取的流程切分成很多阶段,每个阶段分别封装在一个类的main函数中。在外面通过Linux Shell调用这些main函数,来完整爬取的流程。下面我们来运行Nutch中最简单的流程:Inject。我们知道爬虫在初始阶段,是需要人工给出一个或多个url,作为起始点(广度遍历树的树根)。Inject的作用,就是把用户写在文件里的种子(一行一个url,是TextInputFormat),插入到爬虫的URL管理文件(crawldb,是SequenceFile)中。

4、接下来我们按照Nutch默认的配置,需要修改Nutch的配置文件,为插件文件夹指定一个绝对路径,修改conf/nutch-default.xml文件内容,并且保存到工程中

5、接下来我们就可以开始对指定的网站的信息进行完整的爬取了

更新日志

1、增加了可爬取的数据类型

2、增加对Web爬虫的管理功能

3、解决了一些格式上的已知问题

4、修复了一些bug,优化了软件界面

5、优化了软件性能

  • 下载地址

点击报错软件无法下载或下载后无法使用,请点击报错,谢谢!