Nutch2 WebPage 字段解释

Posted 2020-10-15 星朝

Nutch2 WebPage 字段解释

     Nutch2.2.1

id

主键，根据网页url生成(格式：reversed domain name:protocol:port and path),因此，Nutch2只能保存当前网页的状态，而不能保存历史信息。

headers

标准的http headers ，其中包含非打印字符。Last-Modified　等信息可能于判断网页是否需要更新(仅需发一个head请求，而不是下载整个网页)

text

合并了解析出来的所有文本字段(utf-8)，用于普通的检索，不过现在检索一般使用solr，所以这个字段意义不大。

status

记录抓取状态

[html] view plain copy

print?

1. 1     unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)  
2. 2     fetched (page was successfully fetched)  
3. 3     gone (that page no longer exists)  
4. 4     redir_temp (temporary redirection — see reprUrl below for more details)  
5. 5     redir_perm (permanent redirection — see reprUrl below for more details)  
6. 34     retry  
7. 38     not modified  

1     unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)2     fetched (page was successfully fetched)3     gone (that page no longer exists)4     redir_temp (temporary redirection — see reprUrl below for more details)5     redir_perm (permanent redirection — see reprUrl below for more details)34     retry38     not modified

markers

各个任务的标记（如：dist***injmrk_***updmrk_***ftcmrk_***gnmrk_***prsmrk_**）

parseStatus

parse状态，在执行parseJob之前都是NULL。 ParseStatusCodes.html

modifiedTime

最后更改时间

score

网页重要程度(PR)，Nutch2.2.1 使用的是OPIC算法

typ

类型（如application/xhtml+xml）

batchId

批次ID，由generate生成( (curTime/1000) + "-" +randomSeed )， fetch时可选择特定batchId的任务

baseUrl

用于将网页源码中相对链接地址的转为绝对地址，通常就是当前网页的地址，有重定向的情况下，是最终定向到的地址

content

完整的网页源码，未经任何处理(字符集也没转)。　

title

title标签里的内容 (已转utf-8编码)

reprUrl

重定向url，将在下一轮抓取，不会立即跟入

fetchInterval

抓取间隔，默认是2592000(30天)

prevFetchTime

上次抓取时间

inlinks

入链(url+linktext)

prevSignature

上次更新时网页签名

outlinks

出链(url+linktext)

fetchTime

下次抓取时间，通常是间隔一个月

retriesSinceFetch

重试次数

protocolStatus

[html] view plain copy

print?

1. ACCESS_DENIED 17  
2. BLOCKED 23  
3. EXCEPTION 16  
4. FAILED 2  
5. GONE 11  
6. MOVED 12  
7. NOTFETCHING 20  
8. NOTFOUND 14  
9. NOTMODIFIED 21  
10. PROTO_NOT_FOUND 10  
11. REDIR_EXCEEDED 19  
12. RETRY 15  
13. ROBOTS_DENIED 18  
14. SUCCESS 1  
15. TEMP_MOVED 13  
16. WOULDBLOCK 22  

ACCESS_DENIED 17BLOCKED 23EXCEPTION 16FAILED 2GONE 11MOVED 12NOTFETCHING 20NOTFOUND 14NOTMODIFIED 21PROTO_NOT_FOUND 10REDIR_EXCEEDED 19RETRY 15ROBOTS_DENIED 18SUCCESS 1TEMP_MOVED 13WOULDBLOCK 22

signature

网页签名，用于判断网页是否改变，默认的实现是:org.apache.nutch.crawl.MD5Signature ，采用content的MD5值，另一个方案是org.apache.nutch.crawl.TextProfileSignature，content抽取文本、分词、排序等一系列操作后计算MD5值 TextProfileSignature

metadata

自定义元数据，可以在种子文件里面加，例如：　"http://xxxx/xxx.html \t type=news"