七月份工作日誌

icas + 課程教材 + crawlzilla

01

• crawlweb2 已可運作
• 完成測試 install.sh
• 與網路組討論 日誌上傳 與 黑名單傳送

04

• upload.php 即時運算
• classify bugfix
• blacklist 只要最高優先，並略過 classify 欄位

05

• blacklist 功能完成
• priority bugfix

06

• 新增 紀錄系統運作功能
• 圖資整理功能

07

• 架設檔案上傳 ftp
• 更新 install.sh
• 打包 icas 專案

08

• 準備課程教材

11 ~ 12

• 上課 html + js

13

• icas 與 nk7admin 主機資料傳輸問題
  • ftp 上傳空間內只有 看到資料夾卻沒有log
  • 檔頭有亂碼導致 parser 錯誤
  • 惠敏 725

• 解決資料亂碼問題

  資料夾為 ftp:///NK6000/時間/xxx.csv
  ftp:///NK6000/2011071316/xxx.csv
  程式該如何設計，每小時自動抓最新的檔案來parser 而不抓以前已經抓到過的。
  

14

[預計&完成] Crawlzilla : future work plan with fafa

[完成] nk7admin 的檔案parser

• 系統傳來的是 zip 檔
• zip 檔解壓後檔名有亂碼
• 檔案內的文字也有亂碼

15

[完成] icas 與 nk7admin 的傳輸溝通

[預計] 課程教材整理

18~22

[完成] 課程教材

25

[預計&完成] crawlzilla opensuse bug fix

[研究] nutch crawl db merge error

26

[研究] nutch crawl db merge 2db

27

[研究] nutch1.3

28

• 研究 nutch 心得：
  • 已經取消 與 tomcat 結合的 war 檔，而使用 solr 的介面作搜尋，但明顯難用很多，solr 服務也需先打開
  • 爬取結果 也與之前 1.2 版本 不同， 1.3 只有三個資料夾，1.2 以前則有五個資料夾
  • mso,pdf,ooo 等檔案格式也不在plugin 內看到，猜測已用 tika （​content analysis toolkit） 全部整合取代
  • 設定前需用 ant 編譯過後才可以使用，許多設定也與之前版本不同
• 結論 ： 繼續使用 nutch 1.2 為 crawlzilla 的延伸

[debug] crawlzilla : mergecrawl [debug] icas priority bug