Hbase Nutch2.x不是像flipkart和jabong这样的爬行网站

我用nutch做了一些实验来抓取没有任何ajax调用的网站，我得到了所有的数据

我执行了以下步骤来获取数据

user@localhost：~/sample/nutch/runtime/local/bin$。/nutch-inject/path/to/the/seed.txt

$：。/nutch生成-批处理ID 321

$：/纳奇取货321

$：/坚果解析321

$：/nutch更新b

我使用hbase作为存储设备，在hdfs上存储文件。如果我执行这5个步骤，它会给我所有的数据，如果url是，但如果我改变它给我什么

My nutch-site.xml文件：

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>
        <property>
                <name>storage.data.store.class</name>
                <value>org.apache.gora.hbase.store.HBaseStore</value>
                <description>Default class for storing data</description>
        </property>
        <property>
                <name>http.agent.name</name>
                <value>com.datametica.agent</value>
                <description>this is just an agent name</description>
        </property>
        <property>
                <name>http.robots.agents</name>
                <value>datametica_robot</value>
                <description>this is just a robot</description>
        </property>
        <property>
                <name>plugin.folders</name>
                <value>/home/sachin/source_codes/svn/nutch/nutch_2.x/build/plugins</value>
        </property>
</configuration>

storage.data.store.class
org.apache.gora.hbase.store.HBaseStore
用于存储数据的默认类
http.agent.name
com.datametica.agent
这只是一个代理名称
http.robots.agent
datametica_机器人
这只是一个机器人
plugin.folders
/home/sachin/source_code/svn/nutch/nutch_2.x/build/plugins

正则表达式urlfilter阻止具有查询字符串参数的URL：

跳过包含某些字符的URL作为可能的查询等。 -[？*！@=]

修改该文件，以便对具有querystring参数的URL进行爬网：

跳过包含某些字符的URL作为可能的查询等。 -[*！@]

Nutch可能缺乏对抓取Ajax页面的支持。看

你可以看看

---

谢谢，伙计，它可以工作，但我在运行nutch时还有一个问题，它获取数据，但不是html，但它提供html内容，如果您知道什么，请告诉我。Sachin，您必须接受其他人给出的答案。你想问多少就问多少。但是，如果你给那些已经回答了你的问题的人一些信任，那将是一件好事。。。。