如何解决Apache Nutch 使用什么数据库来存储 URL?
我尝试查看其依赖项(请参阅 here),但我无法弄清楚它用于存储 URL 和处理抓取进度的用途。从教程要求来看(请参阅 here),它不需要任何 3rd 方系统,例如某些 SQL 数据库。
那它有什么用?
感谢您的任何建议!
解决方法
Nutch 1.x 将数据存储在 Hadoop MapFile 和 SequenceFile 中。 Apache Nutch 是一个基于批处理的爬虫,数据为
- 对于在每个抓取周期中创建和填充的段而言,一次写入/多次读取
- 或在添加新数据时重写:“CrawlDb”,其中包含 URL 和状态信息(获取状态和日期、签名/校验和、分数、元数据)
Nutch 2.x(已停用)将所有数据放入一个“网络表”中 - 通过 Apache Gora 将扩展和分发委托给大数据存储(HBase 等)。
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。