Nutch搜寻器:配置为仅接受英语页面 [英] Nutch crawler: Configure to accept only pages in English

查看:76
本文介绍了Nutch搜寻器:配置为仅接受英语页面的处理方法,对大家解决问题具有一定的参考价值,需要的朋友们下面随着小编来一起学习吧!

问题描述

如何配置 Nutch爬网程序来爬网仅英语页面?

这是我在 nutch-site.xml 中设置的,但是它不起作用:

This is what I set in nutch-site.xml, but it does not work:

<property>
    <name>http.accept.language</name>
    <value>en-us,en-gb,en;q=0.7,*;q=0.3</value>
    <description>Value of the "Accept-Language" request header field. This allows selecting non-English language as default one to retrieve. It is a useful setting for search engines build for certain national group.
    </description>
</property>

推荐答案

您设置的值:< value> zh-cn,en-gb,en; q = 0.7,*; q = 0.3</value> 表示它更喜欢英语,但其他语言(*)仍然存在.对于仅抓取英文页面,您应该将值设置如下:

The value you set: <value>en-us,en-gb,en;q=0.7,*;q=0.3</value> means that it prefers English but other languages (*) still there. For crawling only English pages, you should set value as below:

<value>en-us,en-gb,en</value>

为确保确定,请同时更改nutch-default.xml中的值.

To make sure, change the value in nutch-default.xml as well.

希望这会有所帮助

-Le Quoc Do

-Le Quoc Do

这篇关于Nutch搜寻器:配置为仅接受英语页面的文章就介绍到这了,希望我们推荐的答案对大家有所帮助,也希望大家多多支持IT屋!

查看全文
登录 关闭
扫码关注1秒登录
发送“验证码”获取 | 15天全站免登陆