nutch怎么才能抓取到动态的url

http://www.tianya.cn/new/TianyaCity/content.asp?idItem=296&idArticle=53561&idWriter=0&key=0

在运行的时候不会抓取到，分析了一下原因：主要在conf/crawl-urlfilter.txt.

?

分析：使用nutch默认的配置过滤文件的话，是不抓取到包含?*!@=等字符的URL解决办法：修改crawl-urlfilter的过滤规则，# The url filter file used by the crawl command.# Better for intranet crawling.# Be sure to change MY.DOMAIN.NAME to your domain name.# Each non-comment, non-blank line contains a regular expression# prefixed by ‘+’ or ‘-‘. The first matching pattern in the file# determines whether a URL is included or ignored. If no pattern# matches, the URL is ignored.# skip file:, ftp:, & mailto: urls-^(file|ftp|mailto):# skip image and other suffixes we can’t yet parse-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$# skip URLs containing certain characters as probable queries, etc.-[?*!@=]?? //表示过滤包含指定字符的URL，改为： -[~]# skip URLs with slash-delimited segment that repeats 3+ times, to break loops-.*(/.+?)/.*?\1/.*?\1/# accept hosts in MY.DOMAIN.NAME+^http://([a-z0-9]*\.)*tianya.cn/[\s\S]*??? // 过滤正则表达式，([a-z0-9]*\.)*表示任意数字和字母，[\s\S]*表示任意字符# skip everything else-.Nutch爬虫设置Nutch本身包含一个对目标站点进行索引的爬虫和一个提供搜索用的web界面。在查询界面可以使用前需要先设置Nutch爬虫对目标站点进行抓取。部分配置文件的解释：??? * nutch\conf\nutch-default.xml????????? o 设置http.agent.name，如果http.agent.name为空，爬虫将无法正常启动。这里可以设置任意你喜欢的名字，比如设置为vik-robot。????????? o indexer.mergeFactor/indexer.minMergeDocs 这两个值都改成500。这两个参数值越大，性能越高，所需要花费的内存也需要相应的增加。如果设置过大，可能出现内存溢出。就实际使用情况，在当前参数下，内存的最大使用量为3xxM。????????? o??????????? http.timeout表示最大超时等待时间，如果访问的连接长时间没有反应将丢弃。????????? o db.max.outlinks.per.page该参数表示单个页面最多支持多少个外连的连接，如果过多将不抓取。 如果是自己的内部系统那就设置一个任意大的数吧。????????? o nutch-default.xml 解读??? *????? 创建文件nutch\urls，并填入爬虫的起始url。比如：????? http://mysite.com/??? *????? nutch\conf\crawl-urlfilter.txt 该文件用于设置需要索引的url的过滤关系。每行一个过滤条件，-表示不包含该url，+表示包含。????????? o [?*!@=]，该行表示对所有动态url都不抓取。 现在的大部分系统都会有很多动态url，该过滤条件很可能使你抓不到任何内容。????????? o??????????? 针对各系统分别设置url的过滤关系。具体的设置方法得根据各自应用系统的不同而不同，这里以广为流行的论坛discuz为例。在这url过滤将只抓取板块列表和帖子内容。??????????? # skip file:, ftp:, & mailto: urls??????????? -^(file|ftp|mailto):??????????? # skip image and other suffixes we can’t yet parse??????????? -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$??????????? # skip URLs containing certain characters as probable queries, etc.??????????? #-[?*!@=]??????????? # skip URLs with slash-delimited segment that repeats 3+ times, to break loops??????????? -.*(/.+?)/.*?\1/.*?\1/??????????? # accept hosts in MY.DOMAIN.NAME??????????? #+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/??????????? #discuz??????????? +^http://mysite.com/discuz/index.php$??????????? +^http://mysite.com/discuz/forumdisplay.php\?fid=\d+$??????????? +^http://mysite.com/discuz/forumdisplay.php\?fid=\d+&page=\d+$??????????? +^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+$??????????? +^http://mysite.com/discuz/viewthread.php\?tid=\d+&extra=page%3D\d+&page=\d+$??????????? # skip everything else??????????? -.??? * nutch\conf\regex-urlfilter.txt 我不清楚该配置文件是否有起作用，但建议注释掉其中的，-[?*!@=]。执行爬虫??? *????? 由于Nutch的脚本采用的是linux下是shell，在windows下需要使用cygwin来执行。至于cygwin的具体使用…，这个到网上找其他文章吧。cygwin官网??? *????? 进入Nutch目录后执行命令 sh bin/nutch crawl urls -dir crawl -threads 2 -depth 100 -topN 1000000 >& crawl.log 完成网站的抓取和索引。????????? o threads 抓取网页的线程数，理论上线程数越多速度越快，但过多的线程会给服务器带来比较大的负担，影响正常使用。????????? o depth 页面的抓取深度。????????? o topN 每层最多抓取的页面数????????? o crawl.log 日志存放文件

梦想从来不会选择人，它是上天赋予每个人构建未来蓝图的神奇画笔。