关于nutch的基础知识能够參考lemo的专栏

nutch支持二次开发，为了满足搜索的准确率的问题，考虑只将网页正文的内容提取出来作为索引的内容，相应的是parse_text的数据。我使用的事nutch1.4 版本号，在cygwin下运行crawl命令进行爬取。

bin/nutch crawl urls -dir crawl -depth 3 -topN 30

爬取的流程例如以下：inject ：将urls下的url文档中的url注入到数据库，generate：从数据库中取得url获取须要爬取的url队列，fetch：从url爬取队列中爬取page，parse：解析page的内容。从这里看到我须要改写的是parse对网页解析部分，parse对网页进行解析后将解析的text放入crawl/segments下相应的parse_text目录下，我们能够通过命令

bin/nutch readseg -dump crawl/segments/20120710142020 segdata

查看详细爬取的内容。

从系统的扩展点，通过实现系统中的parser扩展点，就可以实现自己的parse应用，而系统中对html页面解析是通过默认的parse-html插件实现的，这里我们为了方便（但升级nutch版本号之后就不方便了），直接在parse-html插件处进行改动。

首先我们先找到parse-html实现parser借口的getparse方法，这种方法是详细解析网页内容的。

public ParseResult getParse(Content content) {    HTMLMetaTags metaTags = new HTMLMetaTags();    URL base;    try {      base = new URL(content.getBaseUrl());    } catch (MalformedURLException e) {      return new ParseStatus(e).getEmptyParseResult(content.getUrl(), getConf());    }    String text = "";    String title = "";    Outlink[] outlinks = new Outlink[0];    Metadata metadata = http://www.mamicode.com/new Metadata();"color:#ff0000;">utils.getText(sb, root);// 这里是详细解析text的位置    	  text = sb.toString();      } catch (SAXException e) {    	  // TODO Auto-generated catch block    	  e.printStackTrace();      }      sb.setLength(0);      if (LOG.isTraceEnabled()) { LOG.trace("Getting title..."); }      utils.getTitle(sb, root);         // extract title      title = sb.toString().trim();    }          if (!metaTags.getNoFollow()) {              // okay to follow links      ArrayList<Outlink> l = new ArrayList<Outlink>();   // extract outlinks      URL baseTag = utils.getBase(root);      if (LOG.isTraceEnabled()) { LOG.trace("Getting links..."); }      utils.getOutlinks(baseTag!=null?baseTag:base, l, root);      outlinks = l.toArray(new Outlink[l.size()]);      if (LOG.isTraceEnabled()) {        LOG.trace("found "+outlinks.length+" outlinks in "+content.getUrl());      }    }        ParseStatus status = new ParseStatus(ParseStatus.SUCCESS);    if (metaTags.getRefresh()) {      status.setMinorCode(ParseStatus.SUCCESS_REDIRECT);      status.setArgs(new String[] {metaTags.getRefreshHref().toString(),        Integer.toString(metaTags.getRefreshTime())});          }    ParseData parseData = http://www.mamicode.com/new ParseData(status, title, outlinks,>
我们从代码中能够看到详细解析text的位置，我们须要改动的就是这个位置的代码了，能够通过查看源码，nutch是 通过Dom tree的方式进行解析text内容的，而我在这里为了拿到page的正文部分的内容，我选用了开源的工具boilerpipe进行正文的提取。插入如上函数的代码段为：
text = BoilerpipeUtils.getMainbodyTextByBoilerpipe(new InputSource(    			  new ByteArrayInputStream(content.getContent())));    	  if(text.equals("")){    		  utils.getText(sb, root);    	  	  text = sb.toString();    	  	  if (LOG.isTraceEnabled()) {     	  		  LOG.trace("Extract text using DOMContentUtils...");     	  	  }    	  }else if (LOG.isTraceEnabled()) {     			  LOG.trace("Extract text using Boilerpipe...");     	  }    	  FileWriter fw = new FileWriter("E://mainbodypage//URLText.txt",true);    	  fw.write("url::" + content.getUrl() + "\n");    	  fw.write("text::" + text + "\n");    	  fw.close();

我将相应的page的url和text内容写入到特定的path下，这样能够方便測试，如上代码段调用的静态方法类例如以下：
package org.apache.nutch.parse.html;import org.xml.sax.InputSource;import org.xml.sax.SAXException;import de.l3s.boilerpipe.BoilerpipeExtractor;import de.l3s.boilerpipe.BoilerpipeProcessingException;import de.l3s.boilerpipe.document.TextDocument;import de.l3s.boilerpipe.extractors.CommonExtractors;import de.l3s.boilerpipe.sax.BoilerpipeSAXInput;public class BoilerpipeUtils {	public static String getMainbodyTextByBoilerpipe(InputSource is) throws BoilerpipeProcessingException, SAXException{		final TextDocument doc = new BoilerpipeSAXInput(is).getTextDocument();		final BoilerpipeExtractor extractor = CommonExtractors.ARTICLE_EXTRACTOR;		extractor.process(doc);  		if(doc.getContent() != null && !doc.getContent().equals(""))			return doc.getContent();		else			return "";	  }}
因为用到了开源的工具boilerpipe，因此须要将相关的jar包放入到插件文件夹下的lib文件夹中，同一时候相应的plugin.xml配置中runtime段例如以下：
<runtime>      <library name="parse-html.jar">         <export name="*"/>      </library>      <library name="tagsoup-1.2.1.jar"/>      <library name="boilerpipe-1.2.0.jar">      </library>      <library name="nekohtml-1.9.13.jar">      </library>      <library name="xerces-2.9.1.jar">      </library>   </runtime>

 
至此就完毕了插件的功能，在eclipse下执行build project后执行如上的crawl命令，就可以得到自己想要的正文部分的parse_text数据了，假设在cwgwin下执行crawl命令，还会报NoClassDefFound的runtimeException，找不到指定的jar包，将如上的三个jar包放入到runtime/local/lib文件夹下就可以。
然而boilerpipe的正文提取效果还存在提升的空间，不尽理想；另外也能够用针对特定站点的定制功能去提取text信息。