{{{
#!html
<div style="text-align: center; color:#151B8D"><big style="font-weight: bold;"><big><big>
nutch 1.2 測試
</big></big></big></div> <div style="text-align: center; color:#7E2217"><big style="font-weight: bold;"><big>
並加測 protocal : ftp, file , 功能： pdf , url-filter
</big></big></div>
}}}
[[PageOutline]]



 = 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
{{{
#!text
# 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 =
[http://www.ibm.com/developerworks/cn/opensource/tutorials/os-apache-tika/index.html 用 Apache Tika 理解信息内容]
 * [http://www.oschina.net/p/tika 内容抽取工具集合 Apache 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

 * [http://blog.ring.idv.tw/comment.ser?i=316 當大象遇上PDFBox...]
 * [http://blog.ring.idv.tw/comment.ser?i=309 PDFBox - 擷取PDF檔案中的純文字]
 * [http://blog.csdn.net/allenshi_szl/archive/2009/12/06/4953302.aspx lucene pdf+doc+ppt+xls+txt+多层文件]
 * [http://blog.csdn.net/allenshi_szl/archive/2009/12/13/4951564.aspx 使用PDFBox处理PDF文档]
 * [http://blog.csdn.net/fuyangchang/archive/2007/06/11/1647774.aspx JAVA读取WORD,EXCEL,POWERPOINT,PDF文件的方法]
 * [http://blog.csdn.net/weijie_search/archive/2008/07/16/2662189.aspx 用Java读取pdf中的数据]