| Version 7 (modified by waue, 13 years ago) (diff) |
|---|
nutch 1.2 測試
並加測 protocal : ftp, file , 功能： pdf , url-filter
File 測試
搜尋時，不會自動列出該目錄的內容並從而深入進去，需要檔案一個一個指定於url.txt中，並且file 無法跟 http 一起使用
FTP 測試
ok , 深度也沒問題，但是某些 pdf , word 無法解析，但 html , txt 都 ok
過濾器 crawl-urlfilter.txt
- 以下沒有過濾效果
# accept hosts in MY.DOMAIN.NAME +^http://([a-z0-9]*\.)*.nchc.org.tw/ +^http://([a-z0-9]*\.)*.narl.org.tw/ # skip everything else #-. # accept everything +.*
解析器 tika
nutch 1.2 所附得 pdf 解析器為 pdfbox 0.7.3 ，現在最新的版本為 1.3.1 ，也許置換成最新的就可以解決部份中文不支援的問題，但是更換需要改寫程式碼
