Resultados de la búsqueda a petición "nutch"
Deduplicación en nutch 1.11 para sitios que tienen el mismo contenido y diferentes URI
Estoy usando nutch para rastrear sitios de intranet. Encontré un escenario en el que 2 sitios tienen el mismo contenido (en comparación con la fuente de vista de ambos sitios usando notepad ++) pero URI diferente. ...
No aparece el mensaje "No se ha activado IndexWriters" mientras se carga a solr
He ejecutado rastreador de nutch según tutorial de nutchhttp://wiki.apache.org/nutch/NutchTutorial pero cuando comencé a cargarlo a solr, recibo este mensaje...
¿Cómo analizar html con nutch e indexar etiquetas específicas para solr?
he instalado nutch y solr para rastrear un sitio web y buscar en él; como saben, podemos indexar etiquetas meta de páginas web en solr con el complemento par...
Nutch Raw html ahorro
Estoy tratando de obtener el html en bruto de las páginas rastreadas en diferentes archivos, llamado como url de la página. Es posible conNutch para guardar ...
¿Cómo guardo el archivo html de origen con Apache Nutch?
Soy nuevo en los motores de búsqueda y rastreadores web. Ahora quiero almacenar todas las páginas originales en un sitio web particular como archivos html, p...
Utilizando Nutch para rastrear una lista de URL especificada
Tengo un millón de listas de URL para buscar. Utilizo esta lista como semillas de nuez y utilizo la @ básigatea comando de Nutch para buscarlos. Sin embargo, encuentro que Nutch busca automáticamente las URL que no están en la lista. Establezco ...
Apache Nutch para indexar solo parte del contenido de la página
Vamos a usarApache Nutch v1.3 para extraer solo contenido específico de las páginas web. Comprobado el complemento parse-html. Parece que normaliza cada página html usando tagsoup o nekohtml. Esto es bueno. Necesito extraer solo texto dentro ...
Nutch No hay agentes listados en 'http.agent.name'
Exception in thread "main" java.lang.IllegalArgumentException: Fetcher: No agents listed in 'http.agent.name' property. at org.apache.nutch.fetcher.Fetcher.checkConfiguration(Fetcher.java:1166) ...
Eliminación del menú de html durante el rastreo o indexación con nutch y solr
Estoy rastreando nuestro (s) sitio (s) web grande (s) con nutch y luego indexando con solr y los resultados son bastante buenos. Sin embargo, hay varias estructuras de menú en todo el sitio que indexan y estropean los resultados de una ...
Página 1 de 2