Resultados da pesquisa a pedido "nutch"
Nutch versus Solr
Atualmente coleciono informações onde devo usar o Nutch com Solr (domínio - pesquisa na web vertical). Você poderia me sugerir?
Como obter o conteúdo html do nutch
Existe alguma maneira de obter o conteúdo html de cada página da Web durante o rastreamento da página?
Desduplicação no nutch 1.11 para sites com o mesmo conteúdo e URI diferente
Estou usando o nutch para rastrear sites da intranet. Me deparei com um cenário em que dois sites têm o mesmo conteúdo (em comparação com a fonte de exibição de ambos os sites usando o bloco de notas ++), mas com um URI diferente. ...
Remover menus do html durante o rastreamento ou indexação com nutch e solr
Estou rastreando nosso (s) site (s) grande (s) com nutch e depois indexando com solr e os resultados são muito bons. No entanto, existem várias estruturas de menu no site que indexam e estragam os resultados de uma consult Cada um desses menus ...
Nutch Nenhum agente listado em '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) ...
Apache Nutch para indexar apenas parte do conteúdo da página
Indo usarApache Nutch v1.3 para extrair apenas algum conteúdo específico das páginas da web. Verificado plug-in parse-html. Parece normalizar cada página html usando tagsoup ou nekohtml. Isso é bom. Preciso extrair apenas texto dentro de<span ...
Usando o Nutch para rastrear uma lista de URLs especificadas
Tenho um milhão de listas de URLs para buscar. Eu uso esta lista como sementes de noz e uso o básicorasteja comando de Nutch para buscá-los. No entanto, acho que o Nutch busca automaticamente URLs que não estão na lista. Eu defino os parâmetros ...
Página 2 do 2