我是靠谱客的博主 花痴火车,最近开发中收集的这篇文章主要介绍nutch2.3.1爬取marker流程,觉得挺不错的,现在分享给大家,希望可以做个参考。

概述

crawlstatus:
    STATUS_UNFETCHED = 0x01;     //Page was not fetched yet
    STATUS_FETCHED = 0x02;       //Page was successfully fetched
    STATUS_GONE = 0x03;          //Page no longer exists
    STATUS_REDIR_TEMP = 0x04;    //Page temporarily redirects to other page
    STATUS_REDIR_PERM = 0x05;    //Page permanently redirects to other page
    STATUS_RETRY = 0x22;         //Fetching unsuccessful, needs to be retried (transient errors)
    STATUS_NOTMODIFIED = 0x26;   //Fetching successful - page is not modified
injectorjob
    **_injmrk_ :'y'**
    distance:0
generatorjob
    生成batchId
    判断distance> maxDistance return
    _gnmrk_ 有值return
    **fetchTime 太近return**
    count >= limit return
    计算url的score
    **_gnmrk_ = batchId**
    page.batchId = batchId
fetcherjob
    _gnmrk_ 无值return
    _ftcmrk_ 有值return
    **batchId.equals(_gnmrk_) 则fetch**
    **_ftcmrk_ = _gnmrk_ **
parsejob
    **batchId.equals(_ftcmrk_) 则parse**
    batchId.equals("-reparse") 或 force 强制parse
    _ftcmrk_ 无值return
    __prsmrk__ 有值return
    skipTruncated return
    status 不等STATUS_FETCHED return
    parse:setSignature setOutlinks
    __prsmrk__ = _ftcmrk_
dbupdaterjob
    **batchId.equals(_gnmrk_) 则update**
    *outlinks插入数据库
    *更新score
    *判断Signature的变动
    *更新fetchTime,modifiedTime
    *计算newDistance
    *删除_ftcmrk_ / _gnmrk_
    *如果 __prsmrk__ 存在:_updmrk_ = __prsmrk__ ; __prsmrk__=NULL
indexingjob
    **batchId.equals(_updmrk_) 则 indexing**
    if (pstatus == null || !ParseStatusUtils.isSuccess(pstatus)) return
    indexing
    _idxmrk_ = _updmrk_

最后

以上就是花痴火车为你收集整理的nutch2.3.1爬取marker流程的全部内容,希望文章能够帮你解决nutch2.3.1爬取marker流程所遇到的程序开发问题。

如果觉得靠谱客网站的内容还不错,欢迎将靠谱客网站推荐给程序员好友。

本图文内容来源于网友提供,作为学习参考使用,或来自网络收集整理,版权属于原作者所有。
点赞(64)

评论列表共有 0 条评论

立即
投稿
返回
顶部