如何解决Nutch或开源.NET Crawler的自定义解析器
| 我一直在使用Nutch / Solr / SolrNet作为我的搜索解决方案，我必须说，这很有效。在我正在工作的新站点上，我正在使用母版页，结果，页眉和页脚中的内容被索引并扭曲了结果。例如，我在标题中有一个指向“联系我们”页面的链接。现在，当我搜索\'Contact \'时，结果将返回站点中的所有页面。 是否有可定制的Nutch解析器，我也许可以传递div ID，然后仅对div中的内容编制索引。 或者是否有我可以自定义的基于.NET的搜寻器。解决方法
参见https://issues.apache.org/jira/browse/NUTCH-585
和https://issues.apache.org/jira/browse/NUTCH-961
顺便说一句，通过发布到Nutch用户列表，您将获得更多相关的受众
,您可以实现Nutch过滤器（我喜欢Jericho HTML Parser），以仅提取需要使用DOM操作建立索引的页面部分。您可以使用TextExtractor类来获取要在索引中使用的纯文本（没有HTML标记）。我通常将这些数据保存在自定义字段中。
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。
