Nutch 2.x没有抓取像flipkart和jabong这样的网站

Question

我已经做了一些实验，用nutch来抓取没有任何ajax调用的网站，我获得了所有数据。

我执行了以下步骤来获取数据。

1. user @ localhost：〜/ sample / nutch / runtime / local / bin $ ./nutch inject /path/to/the/seed.txt
2. $：./。nutch generate -batchId 321
3. $：./。nutch fetch 321
4. $：./。nutch parse 321
5. $：。/ nutch updatedb

我有hbase作为存储文件在hdfs上的存储。如果我执行这5个步骤，如果网址为http://www.naaptol.com/brands/nokia/mobile-phones.html，则会向我提供所有数据，但如果我将其更改为http://www.flipkart.com/mens-footwear/shoes/sports-shoes/pr?sid=osp,cil,nit,1cu&otracker=hp_nmenu_sub_men_0_Sports%20Shoes则不会给我任何内容

我的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>

Answer 1

regex-urlfilter阻止具有查询字符串参数的网址：

跳过包含某些字符的URL作为可能的查询等

- [？！* @ =]

修改该文件，以便抓取带有查询字符串参数的网址：

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。见this

你可以看看 https://issues.apache.org/jira/browse/NUTCH-1323