nucht-1.2-二次开发-增量采集

主要参考资料
1 http://caols.diandian.com/post/2012-06-05/40028026285
2 http://blog.csdn.net/witsmakemen/article/details/7799546
3 AdaptiveFetchSchedule 类的文档阅读

关键属性解析:Interval
1 InjectMapper中 interval = jobConf.getInt("db.fetch.interval.default", 2592000); 
2 int customInterval = interval; customInterval = Integer.parseInt(metavalue); 或者从URL的interval中设置
3 CrawlDatum datum = new CrawlDatum(CrawlDatum.STATUS_INJECTED,customInterval); 被放入CrawlDataum
4 CrawlDb update() 中的  CrawlDbReducer 中的 
result = schedule.setFetchSchedule((Text)key, result, prevFetchTime,prevModifiedTime, fetch.getFetchTime(), fetch.getModifiedTime(), modified);
5 schedule默认是调用 DefaultFetchSchedule  这里可以设置下一次采集的日期,方法是:设置索引页过期时间1800 (半小时) 设置 内容页过期时间(7776000 90天)

在nutch-default.xml中添加:

    <property>
  <name>db.fetch.interval.default</name>
  <value>86400</value>
  <description>this usage change to be the interval of index page
  this property has wasted by wqj 2013-1-18 The default number of seconds between re-fetches of a page (30 days).
  </description>
</property>

<property>
  <name>db.fetch.interval.content</name>
  <value>7776000</value>
  <description>interval for content page ,default is  (90 days).
  </description>
</property>


        /* modify time :2013-01-18 author wqj */
        Configuration confCurrent=super.getConf();
        int interval_index= confCurrent.getInt("db.fetch.interval.default", 86400);//默认为24小时
        int interval_content=confCurrent.getInt("db.fetch.interval.content", 7776000);//默认为90天
        String regi = datum.getMetaData().get(new Text("regi")).toString();
        if (url.toString().matches(regi)) {
            datum.setFetchInterval(interval_index);
        } else {
            datum.setFetchInterval(interval_content);
        }
        datum.setFetchTime(fetchTime + (long) datum.getFetchInterval()
                * 1000);
        datum.setModifiedTime(modifiedTime);
        return datum;


采集时间 2013-1-18 1430 左右
http://glcx.moc.gov.cn/CsckManageAction/cxckMoreInfo.do?byName=lkbs_newRoad&page=9    Version: 7
Status: 2 (db_fetched)
Fetch time: Fri Jan 18 14:59:53 CST 2013     这里的采集月份依然是1月份 但是也加了 半小时了 
Modified time: Thu Jan 01 08:00:00 CST 1970
Retries since fetch: 0
Retry interval: 1800 seconds (0 days)

http://glcx.moc.gov.cn/CsckManageAction/cxckInformationAction.do?infoId=8a8181d532b43eb40132b9076dd20253    Version: 7
Status: 2 (db_fetched)
Fetch time: Thu Apr 18 14:26:26 CST 2013            采集月份是2013 1月份 这里 fetchtime 变为了 4月份 说明这个时间是加上 Retry interval的
Modified time: Thu Jan 01 08:00:00 CST 1970
Retries since fetch: 0
Retry interval: 7776000 seconds (90 days)
Score: 0.009259259
Signature: e901870589199bb918c45c9c9fad0782

通过上述可以看出
fetchTime 事实上在上一次 采集的时候 已经计算好了
下一次将直接从 CrawlerDb中  读取<当前时间的URL 进行采集   

引申:
如果想查看内容页 更新 比方一段时间后内容更改了,但是啊  我们那边是用 URL 布隆过滤器去重的,即使有更新也不会反应在数据库里啊
是不是 RegexDumpParser 在这里 观察一下  更新的网页的  DUMP文件是否有什么特殊标记,如果是  有更新内容的文章  则改为UPDATE呢

 

posted on 2013-03-29 10:04  雨渐渐  阅读(311)  评论(0编辑  收藏  举报

导航