2010-11-23

• 電腦教室 DRBL 新增硬碟 - 用 rsync 搬資料。

  jazz@drbl:~$ sudo rsync -avzr --partial --progress /home/partimag/* /mnt/
  

Lightweight web crawler

• ​基於 python 的 crawler
  • ​http://scrapy.org/

• 當然有人推薦 Perl, 有人推薦 PHP ... 不過，爬完之後怎麼分析，才是個難解的問題 :)
  • ​What is the ideal program language for a web-crawler?
  • ​PHPCrawl - a set of classes written in PHP for crawling/spidering websites

• Java
  • ​Apache HttpClient
  • ​TagSoup - 可以解析 HTML DOM

Nutch, Droids, Tika, Solr

• Droids 則定位為給使用者自行撰寫 crawler 的工具。(2010-10-17)
• ​Apache Tika - a content analysis toolkit
  • Tika 使用來解析 metadata 的工具，爬完之後，應該就是要經過 Tika 的解析來了解內容。
• Solr 是 Lucene 的子專案，是用來建立 index 的工具。(2010-10-17) 從文件上看起來，感覺 Solr 比 Lucene 特殊的地方在於支援資料庫。目前 Debian/Ubuntu? 有多個 solr 相關的套件
  • ​libwebservice-solr-perl - Perl interface for the Solr (Lucene) web service
  • ​solr-common - enterprise search server based on Lucene - common files
  • ​solr-jetty - enterprise search server based on Lucene - Jetty integration
  • ​solr-tomcat - enterprise search server based on Lucene - Tomcat integration

• 安裝 Droids - [參考] ​Droids 安裝文件

  ~$ sudo apt-get install maven2 subversion
  ~$ mkdir droids
  ~$ cd droids
  ~/droids$ svn co https://svn.apache.org/repos/asf/incubator/droids/trunk .
  ~/droids$ mvn clean install