Nutch - 克隆网站

Question

我正在玩Apache Nutch，我正在成功爬取网站。我想用Nutch制作一个网站的副本，这样我就可以离线访问已抓取的网页。有没有办法做到这一点？我正在寻找类似于接收url的端点，并返回网页的内容，就像我使用curl获取url一样。

我知道有更专门的解决方案，如HTTrack，但我想知道是否有可能使用Nutch来做到这一点。

Answer 1

我认为你现在不需要这个，但无论如何我正在把我的答案。当然有可能使用Apache Nutch.After注入种子URL和生成的URL的片段抓取，当执行的取命令 -

$ bin/nutch fetch -all 

HBase的（这是非常常规使用HBase的作为存储用于Nutch的）webpage表结构是这样的 -

webpage : { 
    key : "com.exampe.dev:http/", 
    f : { 
    bas : { 
     timestamp : 1293732801833, 
     value : "http://dev.example.com/" 
    }, 
    cnt : { 
     timestamp : 1293732801833, 
     value : "DOCTYPE html PUBLIC "-//W3C//DTD X...rest of page content" 
    }, 
    fi : { 
     timestamp : 1293676557658, 
     value : "\x00'\x8D\x00" 
    }, 
    prot : { 
     timestamp : 1293732801833, 
     value : "x02\x00\x00" 
    }, 
    st : { 
     timestamp : 1293732801833, 
     value : "x00\x00\x00\x02" 
    }, 
    ts : { 
     timestamp : 1293676557658, 
     value : "\x00\x00\x01-5!\x9D\xE5" 
    } 
    typ : { 
     timestamp : 1293732801833, 
     value : "application/xhtml+xml" 
    } 
    }, 
    h : { 
    Cache-Control : { 
     timestamp : 1293732801833, 
     value : "private" 
    }, 
    Content-Type : { 
     timestamp : 1293732801833, 
     value : "text/html; charset=UTF-8" 
    }, 
    Date : { 
     timestamp : 1293732801833, 
     value : "Thu, 30 Dec 2010 18:13:21 GMT" 
    }, 
    ETag : { 
     timestamp : 1293732801833, 
     value : 40bdf8b9-8c0a-477e-9ee4-b19995601dde" 
    }, 
    Expires : { 
     timestamp : 1293732801833, 
     value : "Thu, 30 Dec 2010 18:13:21 GMT" 
    }, 
    Last-Modified : { 
     timestamp : 1293732801833, 
     value : "Thu, 30 Dec 2010 15:01:20 GMT" 
    }, 
    Server : { 
     timestamp : 1293732801833, 
     value : "GSE" 
    }, 
    Set-Cookie : { 
     timestamp : 1293732801833, 
     value : "blogger_TID=130c0c57a66d0704;HttpOnly" 
    }, 
    X-Content-Type-Options : { 
     timestamp : 1293732801833, 
     value : "nosniff" 
    }, 
    X-XSS-Protection : { 
     timestamp : 1293732801833, 
     value : "1; mode=block" 
    } 
    }, 
    mk : { 
    _injmrk_ : { 
     timestamp : 1293676557658, 
     value : "y" 
    }, 
    _gnmrk_ : { 
     timestamp=1293732629430, 
     value : "1293732622-2092819984" 
    }, 
    _ftcmrk_ : { 
     timestamp : 1293732801833, 
     value : "1293732622-2092819984" 
    } 
    }, 
    mtdt : { 
    _csh_ : { 
     timestamp : 1293676557658, 
     value : "x80\x00\x00" 
    } 
    }, 
    s : { 
    s : { 
     timestamp : 1293676557658, 
     value : "x80\x00\x00" 
    } 
    } 
} 

下f列族名为cnt列将包含首页的整个HTML内容。所以你可以使用它来显式克隆页面。此外，您可以编写自定义插件，实现Parser或ParseFilter接口，以捕获页面的全部内容。代码将非常直接。