Python 3.x 使用nutch仅解析所需的数据

我已经构建了nutch crawler来抓取新闻网站，但问题是我从一个特定的网站获取了我不想要的所有数据，我的问题是如何配置nutch来只解析我想要的数据

虽然这不是一个很好的问题，但让我们试着放一些上下文。首先，您需要定义所需的数据，这通常意味着：

• 爬网特定的URL
• 提取页面HTML中的特定数据（如特定段落、标题等）

对于特定的URL情况，您有

URLFilters

，它应该允许您排除您想要的任何URL。在这种情况下，因为你只提到一个网站，这应该工作

对于第二种情况，您可以查看以下3种备选方案：