Java 如何使用Nutch仅抓取和解析精确数据？

我是个新手。我已经安装了Nutch2.0，通过遵循一些基本教程，使用Solr4.5对数据进行了爬网和索引。现在，我不想解析一个页面的所有文本内容，我想对其进行自定义，就像Nutch应该对页面进行抓取一样，只抓取/获取与地址相关的数据，因为我的用例是抓取URL并将地址信息解析为文本

例如，我只需要抓取和解析包含地址信息、电子邮件id、电话号码和传真号码的文本内容

我该怎么做？是否已经有任何插件可用于此

如果我想为此编写一个定制的解析器，有人能在这方面帮助我吗

如果要签出Nutch的通用XPath插件中正在进行的工作，另一种方法是编写一个定制的HTMLPasseFilter，以丢弃所需的数据。插件就是一个很好（也很简单）的例子。请记住，这两个链接都是针对Nutch的1.x分支的，您使用的是2.x，虽然在某种程度上有所不同，但逻辑应该是可移植的，另一个选择是使用1.x分支

根据您的评论：

---

因为你不知道网页的结构，所以问题在某种程度上是不同的：本质上你需要“教”Nutch如何检测你想要的文本，基于一些regexp或者使用一些库来解决从纯文本中提取的问题，比如jgeocoder库，你需要解析（在网页的每个节点上迭代）尝试查找类似于地址、电话号码、传真号码等的内容。这有点类似于headings插件所做的工作，但它没有查找地址或电话号码，而是在HTML结构中查找标题节点。这可能是一个起点，写一些插件，做你想做的，但我不认为有任何开箱即用的做这件事

Check引入了一个名为XPath的插件，该插件允许nutch用户处理各种网页，只获取用户想要的某些信息，从而使索引更准确，内容更灵活。

感谢您的回复。我已经看过这个XPath插件，但是如果我使用这个插件，网站应该是已知结构的。我应该知道我的内容将在一个特定的部门。但在我的情况下，我不知道网站的结构，它可能在我的情况下有所不同。如果在这种情况下我是rite，我就不能使用XPath插件。