nutch-2.0執行過程及hbase下webpage的變化更新

今天把nutch-2.0整個過程執行了一邊,並且分析了hbase下webpage的變化過程。測試環境是本地環境,即hbase只在本地運行

整個執行過程如下:

1>inject

2>generate

3>fetch

4>parse

5>updatedb

6>solrindex


webpage的表結構可以參考nutch/conf/gora-hbase-mapping.xml,如下所示

<?xml version="1.0" encoding="UTF-8"?>
<!--
  Licensed to the Apache Software Foundation (ASF) under one or more
  contributor license agreements.  See the NOTICE file distributed with
  this work for additional information regarding copyright ownership.
  The ASF licenses this file to You under the Apache License, Version 2.0
  (the "License"); you may not use this file except in compliance with
  the License.  You may obtain a copy of the License at
  
  http://www.apache.org/licenses/LICENSE-2.0
  
  Unless required by applicable law or agreed to in writing, software
  distributed under the License is distributed on an "AS IS" BASIS,
  WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
  See the License for the specific language governing permissions and
  limitations under the License.
-->
<gora-orm>
    
    <table name="webpage">
        <family name="p" maxVersions="1"/> <!-- This can also have params like compression, bloom filters -->
        <family name="f" maxVersions="1"/>
        <family name="s" maxVersions="1"/>
        <family name="il" maxVersions="1"/>
        <family name="ol" maxVersions="1"/>
        <family name="h" maxVersions="1"/>
        <family name="mtdt" maxVersions="1"/>
        <family name="mk" maxVersions="1"/>
    </table>
    <class table="webpage" keyClass="java.lang.String" name="org.apache.nutch.storage.WebPage">
        
        <!-- fetch fields     name="f"                                  -->
        <field name="baseUrl" family="f" qualifier="bas"/>
        <field name="status" family="f" qualifier="st"/>
        <field name="prevFetchTime" family="f" qualifier="pts"/>
        <field name="fetchTime" family="f" qualifier="ts"/>
        <field name="fetchInterval" family="f" qualifier="fi"/>
        <field name="retriesSinceFetch" family="f" qualifier="rsf"/>
        <field name="reprUrl" family="f" qualifier="rpr"/>
        <field name="content" family="f" qualifier="cnt"/>
        <field name="contentType" family="f" qualifier="typ"/>
        <field name="protocolStatus" family="f" qualifier="prot"/>
        <field name="modifiedTime" family="f" qualifier="mod"/>
        
        <!-- parse fields     name="p"                                  -->
        <field name="title" family="p" qualifier="t"/>
        <field name="text" family="p" qualifier="c"/>
        <field name="parseStatus" family="p" qualifier="st"/>
        <field name="signature" family="p" qualifier="sig"/>
        <field name="prevSignature" family="p" qualifier="psig"/>
        
        <!-- score fields    name="s"                                   -->
        <field name="score" family="s" qualifier="s"/>
        <field name="headers" family="h"/>
        <field name="inlinks" family="il"/>
        <field name="outlinks" family="ol"/>
        <field name="metadata" family="mtdt"/>
        <field name="markers" family="mk"/>
    </class>
    
    <table name="host">
      <family name="mtdt" maxVersions="1"/>
      <family name="il" maxVersions="1"/>
      <family name="ol" maxVersions="1"/>
    </table>
    
    <class table="host" keyClass="java.lang.String" name="org.apache.nutch.storage.Host">
      <field name="metadata" family="mtdt"/>
      <field name="inlinks" family="il"/>
      <field name="outlinks" family="ol"/>
    </class>
    
</gora-orm>


一、inject

在bin目錄下創建名爲urls的文件,加入一行:http://www.2345.com/

命令:./nutch inject urls

webpage表結構:



< f >
==============================================>

ROW    com.2345.www:http/
COL    f : fi    //fetchInterval
COL    f : ts    //fetchTime


< h >
==============================================>

< il >
==============================================>

< mk >
==============================================>

ROW    com.2345.www:http/
COL    mk : _injmrk_   
//inject標記

< mtdt >
==============================================>

ROW    com.2345.www:http/
COL    mtdt : _csh_   
//???暫不明含義

< ol >
==============================================>

< p >
==============================================>

< s >
==============================================>

ROW    com.2345.www:http/
COL    s : s    //score

生成的結構已經用紅色標出了,含義參見注釋。


二、generate

命令:./nutch generate

執行後webpage表的變化:


< f >
==============================================>

ROW    com.2345.www:http/
COL    f : fi    
COL    f : ts    

< h >
==============================================>

< il >
==============================================>

< mk >
==============================================>

ROW    com.2345.www:http/
COL    mk : _gnmrk_    
COL    mk : _injmrk_    

< mtdt >
==============================================>

ROW    com.2345.www:http/
COL    mtdt : _csh_    

< ol >
==============================================>

< p >
==============================================>

< s >
==============================================>

ROW    com.2345.www:http/
COL    s : s   

加紅的是多出的一行,可見在generate之後做了一個標記


三、fetch

命令:./nutch fetch 1345101942-1642860074

執行後webpage表的變化:


< f >
==============================================>

ROW    com.2345.www:http/
COL    f : bas        //baseUrl
COL    f : cnt         //content
COL    f : fi    //fetchInterval
COL    f : prot    //protocolStatus
COL    f : pts    //prevFetchTime
COL    f : st    //status
COL    f : ts    //fetchTime
COL    f : typ    //contentType


< h >
==============================================>

ROW    com.2345.www:http/
COL    h : Accept-Ranges    
COL    h : Cache-Control    
COL    h : Connection    
COL    h : Content-Encoding    
COL    h : Content-Length    
COL    h : Content-Type    
COL    h : Date    
COL    h : ETag    
COL    h : Expires    
COL    h : Last-Modified    
COL    h : Server    
COL    h : Vary    
COL    h : _ip    


< il >
==============================================>

< mk >
==============================================>

ROW    com.2345.www:http/
COL    mk : _ftcmrk_    
COL    mk : _gnmrk_    
COL    mk : _injmrk_    

< mtdt >
==============================================>

ROW    com.2345.www:http/
COL    mtdt : _csh_    

< ol >
==============================================>

< p >
==============================================>

< s >
==============================================>

ROW    com.2345.www:http/
COL    s : s    

加入了fetch的標記,加入了header信息,加入了fetch的相關信息,具體參見注釋(僞的)


四、parse


< f >
==============================================>

ROW    com.2345.www:http/
COL    f : bas    
COL    f : cnt    
COL    f : fi    
COL    f : prot    
COL    f : pts    
COL    f : st    
COL    f : ts    
COL    f : typ    

< h >
==============================================>

ROW    com.2345.www:http/
COL    h : Accept-Ranges    
COL    h : Cache-Control    
COL    h : Connection    
COL    h : Content-Encoding    
COL    h : Content-Length    
COL    h : Content-Type    
COL    h : Date    
COL    h : ETag    
COL    h : Expires    
COL    h : Last-Modified    
COL    h : Server    
COL    h : Vary    
COL    h : _ip    

< il >
==============================================>

< mk >
==============================================>

ROW    com.2345.www:http/
COL    mk : __prsmrk__    
COL    mk : _ftcmrk_    
COL    mk : _gnmrk_    
COL    mk : _injmrk_    

< mtdt >
==============================================>

ROW    com.2345.www:http/
COL    mtdt : _csh_    

< ol >
==============================================>

ROW    com.2345.www:http/
COL    ol : http://182.xdwan.com/gg442a/    
COL    ol : http://2012.cntv.cn/    
COL    ol : http://2345.qq.okooo.com/shuangseqiu/    
COL    ol : http://25.198game.com/    
COL    ol : http://book.2345.com/yanqing.html    
COL    ol : http://buy.2345.com/    
COL    ol : http://cf.qq.com/    
COL    ol : http://china.nba.com/    
COL    ol : http://cn.wsj.com/    
COL    ol : http://danji.2345.com/    
COL    ol : http://day.2345.com/joke.htm    
COL    ol : http://dianying.2345.com/    
COL    ol : http://dianying.2345.com/detail/53555.html    
COL    ol : http://ditu.google.cn/    
COL    ol : http://email.163.com/    
COL    ol : http://esf.soufun.com/    
COL    ol : http://fcwr.jstv.com/    
COL    ol : http://finance.sina.com.cn/    
COL    ol : http://game.2345.com/    
COL    ol : http://im.qq.com/qq/all.shtml    
COL    ol : http://image.baidu.com/    
COL    ol : http://lux.2345.com/    
COL    ol : http://lvyou.2345.com/    
COL    ol : http://m.2345.com/pages/    
COL    ol : http://mail.10086.cn/    
COL    ol : http://mail.cn.yahoo.com/    
COL    ol : http://mail.qq.com/    
COL    ol : http://mail.sina.com.cn/    
COL    ol : http://military.china.com/    
COL    ol : http://mobile.pconline.com.cn/    
COL    ol : http://mobile.pcpop.com/    
COL    ol : http://mobile.zol.com.cn/    
COL    ol : http://mp3.baidu.com/    
COL    ol : http://mp3.sogou.com/    
COL    ol : http://my.2345.com/member/edit_info.php    
COL    ol : http://my.ku6.com/    
COL    ol : http://news.163.com/12/0815/04/88U0D1K60001124J.html    
COL    ol : http://news.7k7k.com/roco/    
COL    ol : http://news.baidu.com/    
COL    ol : http://news.ifeng.com/    
COL    ol : http://news.ifeng.com/mainland/special/cqqiangjiqiangjie/content-3/detail_2012_08/15/16829686_0.shtml    
COL    ol : http://news.ifeng.com/mainland/special/diaoyudaozhengduan/content-3/detail_2012_08/15/16832117_0.shtml    
COL    ol : http://news.ifeng.com/mainland/special/diaoyudaozhengduan/content-3/detail_2012_08/16/16844487_0.shtml    
COL    ol : http://news.ifeng.com/mil/    
COL    ol : http://news.qq.com/    
COL    ol : http://news.sina.com.cn/    
COL    ol : http://news.sohu.com/    
COL    ol : http://pic.2345.com/    
COL    ol : http://r.dangdang.com/2345kuzhan    
COL    ol : http://sg.198game.com/    
COL    ol : http://shouji.2345.com/    
COL    ol : http://sports.163.com/    
COL    ol : http://sports.sina.com.cn/    
COL    ol : http://sports.sohu.com/    
COL    ol : http://t.qq.com/    
COL    ol : http://tech.sina.com.cn/mobile/    
COL    ol : http://tianqi.2345.com/    
COL    ol : http://tianqi.2345.com/indexs.htm    
COL    ol : http://tieba.baidu.com/    
COL    ol : http://tieba.baidu.com/index.html    
COL    ol : http://tools.2345.com/    
COL    ol : http://tools.2345.com/weizhang.htm    
COL    ol : http://tools.2345.com/xingzuoyc.htm    
COL    ol : http://tools.2345.com/zhgjm.htm    
COL    ol : http://tuan.27.cn/    
COL    ol : http://tv.2345.com/detail/11406.html    
COL    ol : http://tv.2345.com/detail/11453.html    
COL    ol : http://v.2345.com/    
COL    ol : http://v.2345.com/dv/    
COL    ol : http://v.2345.com/live/    
COL    ol : http://v.2345.com/zongyi/    
COL    ol : http://v.2345.com/zt/40    
COL    ol : http://v.ifeng.com/    
COL    ol : http://video.baidu.com/    
COL    ol : http://wan.2345.com/sxd_a/    
COL    ol : http://wangyou.2345.com/    
COL    ol : http://web.7k7k.com/games/dpcq/2345dhz/2345dhz-wzl.html    
COL    ol : http://web.7k7k.com/games/frxz2/2345dhz/2345dhz-syyxztsan.html    
COL    ol : http://web.7k7k.com/games/lb/2345dhz/2345dhz-syyxzt6.html    
COL    ol : http://web.7k7k.com/games/lb/2345dhz/2345dhz-wzl6.html    
COL    ol : http://web.qq.com/    
COL    ol : http://ww.xitek.com/    
COL    ol : http://www.10010.com/    
COL    ol : http://www.10086.cn/    
COL    ol : http://www.12306.cn/mormhweb/    
COL    ol : http://www.126.com/    
COL    ol : http://www.163.com/    
COL    ol : http://www.17173.com/    
COL    ol : http://www.1ting.com/    
COL    ol : http://www.2345.com/about/about.htm    
COL    ol : http://www.2345.com/about/gyhd.htm    
COL    ol : http://www.2345.com/aihao.htm    
COL    ol : http://www.2345.com/art.htm    
COL    ol : http://www.2345.com/bank.htm    
COL    ol : http://www.2345.com/baoxian.htm    
COL    ol : http://www.2345.com/bbs.htm    
COL    ol : http://www.2345.com/blog.htm    
COL    ol : http://www.2345.com/caipiao.htm    
COL    ol : http://www.2345.com/car.htm    
COL    ol : http://www.2345.com/chat.htm    
COL    ol : http://www.2345.com/child.htm    
COL    ol : http://www.2345.com/city/    
COL    ol : http://www.2345.com/corp.htm    
COL    ol : http://www.2345.com/daxue.htm    
COL    ol : http://www.2345.com/desk.htm    
COL    ol : http://www.2345.com/edu.htm    
COL    ol : http://www.2345.com/eng.htm    
COL    ol : http://www.2345.com/fashion.htm    
COL    ol : http://www.2345.com/flower.htm    
COL    ol : http://www.2345.com/football.htm    
COL    ol : http://www.2345.com/gov.htm    
COL    ol : http://www.2345.com/gupiao.htm    
COL    ol : http://www.2345.com/haob.htm    
COL    ol : http://www.2345.com/hardware.htm    
COL    ol : http://www.2345.com/health.htm    
COL    ol : http://www.2345.com/help/szsy.htm    
COL    ol : http://www.2345.com/homepage.htm    
COL    ol : http://www.2345.com/house.htm    
COL    ol : http://www.2345.com/indexold.htm    
COL    ol : http://www.2345.com/indexz.htm    
COL    ol : http://www.2345.com/jianfei.htm    
COL    ol : http://www.2345.com/jijin.htm    
COL    ol : http://www.2345.com/job.htm    
COL    ol : http://www.2345.com/junshi.htm    
COL    ol : http://www.2345.com/kaoshi.htm    
COL    ol : http://www.2345.com/kv.htm    
COL    ol : http://www.2345.com/laonian.htm    
COL    ol : http://www.2345.com/law.htm    
COL    ol : http://www.2345.com/love.htm    
COL    ol : http://www.2345.com/mail.htm    
COL    ol : http://www.2345.com/manwoman.htm    
COL    ol : http://www.2345.com/map.htm    
COL    ol : http://www.2345.com/meishi.htm    
COL    ol : http://www.2345.com/mm.htm    
COL    ol : http://www.2345.com/navhtm/city.htm    
COL    ol : http://www.2345.com/nba.htm    
COL    ol : http://www.2345.com/newsweek.htm    
COL    ol : http://www.2345.com/pic.htm    
COL    ol : http://www.2345.com/qtwz.htm    
COL    ol : http://www.2345.com/quyi.htm    
COL    ol : http://www.2345.com/shaoer.htm    
COL    ol : http://www.2345.com/sheji.htm    
COL    ol : http://www.2345.com/shenghuo.htm    
COL    ol : http://www.2345.com/sheying.htm    
COL    ol : http://www.2345.com/shouji.htm    
COL    ol : http://www.2345.com/shuma.htm    
COL    ol : http://www.2345.com/shwz.htm    
COL    ol : http://www.2345.com/soft/    
COL    ol : http://www.2345.com/software.htm    
COL    ol : http://www.2345.com/sport.htm    
COL    ol : http://www.2345.com/tongxun.htm    
COL    ol : http://www.2345.com/weibo.htm    
COL    ol : http://www.2345.com/world.htm    
COL    ol : http://www.2345.com/xszn/xshelp.htm    
COL    ol : http://www.2345.com/ylwz.htm    
COL    ol : http://www.2345.com/yule.htm    
COL    ol : http://www.2345.com/zt/girl.htm    
COL    ol : http://www.37wan.com/tg/2345dao/    
COL    ol : http://www.37wan.com/tg/2345dao_jxqy    
COL    ol : http://www.39.net/    
COL    ol : http://www.4399.com/    
COL    ol : http://www.4738.com/    
COL    ol : http://www.5200tv.com/    
COL    ol : http://www.6.cn/    
COL    ol : http://www.7k7k.com/    
COL    ol : http://www.9ku.com/    
COL    ol : http://www.abchina.com/    
COL    ol : http://www.aili.com/    
COL    ol : http://www.alipay.com/    
COL    ol : http://www.baixing.com/    
COL    ol : http://www.bankcomm.com/    
COL    ol : http://www.boc.cn/    
COL    ol : http://www.ccb.com/    
COL    ol : http://www.cheshi.com/    
COL    ol : http://www.chinabug.net/    
COL    ol : http://www.chinaiiss.com/    
COL    ol : http://www.chinanews.com.cn/    
COL    ol : http://www.cmbchina.com/    
COL    ol : http://www.cnfol.com/    
COL    ol : http://www.cntv.cn/index.shtml    
COL    ol : http://www.digu.com/    
COL    ol : http://www.douban.com/    
COL    ol : http://www.duote.com/    
COL    ol : http://www.duote.com/soft/2054.html    
COL    ol : http://www.duote.com/soft/21205.html    
COL    ol : http://www.duote.com/soft/21413.html    
COL    ol : http://www.duote.com/soft/54347.html    
COL    ol : http://www.duote.com/soft/5841.html    
COL    ol : http://www.fortunechina.com/    
COL    ol : http://www.hexun.com/    
COL    ol : http://www.homeinns.com/    
COL    ol : http://www.hongxiu.com/    
COL    ol : http://www.hotmail.com/    
COL    ol : http://www.hupu.com/    
COL    ol : http://www.ifeng.com/    
COL    ol : http://www.imobile.com.cn/    
COL    ol : http://www.iqiyi.com/    
COL    ol : http://www.junshitx.com/    
COL    ol : http://www.jxdyf.com/    
COL    ol : http://www.jxedt.com/    
COL    ol : http://www.kaixin001.com/    
COL    ol : http://www.kanshu.com/    
COL    ol : http://www.ku6.cn/    
COL    ol : http://www.kugou.com/    
COL    ol : http://www.m1905.com/vod/    
COL    ol : http://www.miercn.com/    
COL    ol : http://www.miitbeian.gov.cn/    
COL    ol : http://www.mop.com/    
COL    ol : http://www.onlinedown.net/    
COL    ol : http://www.onlylady.com/    
COL    ol : http://www.pcpop.com/    
COL    ol : http://www.people.com.cn/    
COL    ol : http://www.qianyan001.com/    
COL    ol : http://www.qidian.com/    
COL    ol : http://www.qiushibaike.com/    
COL    ol : http://www.qq.com/    
COL    ol : http://www.readnovel.com/    
COL    ol : http://www.renren.com/    
COL    ol : http://www.ruichuang.net/join_us/    
COL    ol : http://www.sina.com.cn/    
COL    ol : http://www.skycn.com/    
COL    ol : http://www.sohu.com/    
COL    ol : http://www.stockstar.com/    
COL    ol : http://www.taobao.com/    
COL    ol : http://www.tianya.cn/    
COL    ol : http://www.tudou.com/    
COL    ol : http://www.vdolady.com/    
COL    ol : http://www.vogue.com.cn/    
COL    ol : http://www.xinhuanet.com/    
COL    ol : http://www.xunlei.com/    
COL    ol : http://www.xxsy.net/    
COL    ol : http://www.youku.com/    
COL    ol : http://www.zaobao.com/    
COL    ol : http://www.zb8.com/    
COL    ol : http://www.zhcw.com/    
COL    ol : http://www.zhenai.com/901002.html    
COL    ol : http://www.zhiji.com/    
COL    ol : http://www.zhulang.com/    
COL    ol : http://www.zol.com.cn/    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/110.htm    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/174.htm    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/61.htm    
COL    ol : http://yule.iqiyi.com/zghsy.html    
COL    ol : http://zhidao.baidu.com/    


< p >
==============================================>

ROW    com.2345.www:http/
COL    p : c    //text
COL    p : sig    //signature
COL    p : st    //parseStatus
COL    p : t    //title


< s >
==============================================>

ROW    com.2345.www:http/
COL    s : s    

加入了parse標記,加入了ol(outlink)外部鏈接,也即從剛纔fetch的頁面http://www.2345.com/內分析之後得到的鏈接,還加入了parse的信息,參見注釋。


五、updatedb

命令:./nutch updatedb

執行後webpage的變化:


< f >
==============================================>

ROW    cn.10086.mail:http/
COL    f : fi    
COL    f : st    //status
COL    f : ts    

ROW    cn.10086.www:http/
COL    f : fi    
COL    f : st    
COL    f : ts    

ROW    cn.12306.www:http/mormhweb/
COL    f : fi    
COL    f : st    
COL    f : ts    

ROW    cn.27.tuan:http/
COL    f : fi    
COL    f : st    
COL    f : ts    

ROW    cn.6.www:http/
COL    f : fi    
COL    f : st    
COL    f : ts    


ROW    cn.boc.www:http/

< h >
==============================================>

ROW    com.2345.www:http/
COL    h : Accept-Ranges    
COL    h : Cache-Control    
COL    h : Connection    
COL    h : Content-Encoding    
COL    h : Content-Length    
COL    h : Content-Type    
COL    h : Date    
COL    h : ETag    
COL    h : Expires    
COL    h : Last-Modified    
COL    h : Server    
COL    h : Vary    
COL    h : _ip    

< il >
==============================================>

ROW    cn.10086.mail:http/
COL    il : http://www.2345.com/    

ROW    cn.10086.www:http/
COL    il : http://www.2345.com/    

ROW    cn.12306.www:http/mormhweb/
COL    il : http://www.2345.com/    

ROW    cn.27.tuan:http/
COL    il : http://www.2345.com/    

ROW    cn.6.www:http/
COL    il : http://www.2345.com/    

ROW    cn.boc.www:http/


< mk >
==============================================>

ROW    com.2345.www:http/
COL    mk : _injmrk_    

< mtdt >
==============================================>

ROW    cn.10086.mail:http/
COL    mtdt : _csh_    

ROW    cn.10086.www:http/
COL    mtdt : _csh_    

ROW    cn.12306.www:http/mormhweb/
COL    mtdt : _csh_    

ROW    cn.27.tuan:http/
COL    mtdt : _csh_    

ROW    cn.6.www:http/
COL    mtdt : _csh_    

ROW    cn.boc.www:http/


< ol >
==============================================>

ROW    com.2345.www:http/
COL    ol : http://182.xdwan.com/gg442a/    
COL    ol : http://2012.cntv.cn/    
COL    ol : http://2345.qq.okooo.com/shuangseqiu/    
COL    ol : http://25.198game.com/    
COL    ol : http://book.2345.com/yanqing.html    
COL    ol : http://buy.2345.com/    
COL    ol : http://cf.qq.com/    
COL    ol : http://china.nba.com/    
COL    ol : http://cn.wsj.com/    
COL    ol : http://danji.2345.com/    
COL    ol : http://day.2345.com/joke.htm    
COL    ol : http://dianying.2345.com/    
COL    ol : http://dianying.2345.com/detail/53555.html    
COL    ol : http://ditu.google.cn/    
COL    ol : http://email.163.com/    
COL    ol : http://esf.soufun.com/    
COL    ol : http://fcwr.jstv.com/    
COL    ol : http://finance.sina.com.cn/    
COL    ol : http://game.2345.com/    
COL    ol : http://im.qq.com/qq/all.shtml    
COL    ol : http://image.baidu.com/    
COL    ol : http://lux.2345.com/    
COL    ol : http://lvyou.2345.com/    
COL    ol : http://m.2345.com/pages/    
COL    ol : http://mail.10086.cn/    
COL    ol : http://mail.cn.yahoo.com/    
COL    ol : http://mail.qq.com/    
COL    ol : http://mail.sina.com.cn/    
COL    ol : http://military.china.com/    
COL    ol : http://mobile.pconline.com.cn/    
COL    ol : http://mobile.pcpop.com/    
COL    ol : http://mobile.zol.com.cn/    
COL    ol : http://mp3.baidu.com/    
COL    ol : http://mp3.sogou.com/    
COL    ol : http://my.2345.com/member/edit_info.php    
COL    ol : http://my.ku6.com/    
COL    ol : http://news.163.com/12/0815/04/88U0D1K60001124J.html    
COL    ol : http://news.7k7k.com/roco/    
COL    ol : http://news.baidu.com/    
COL    ol : http://news.ifeng.com/    
COL    ol : http://news.ifeng.com/mainland/special/cqqiangjiqiangjie/content-3/detail_2012_08/15/16829686_0.shtml    
COL    ol : http://news.ifeng.com/mainland/special/diaoyudaozhengduan/content-3/detail_2012_08/15/16832117_0.shtml    
COL    ol : http://news.ifeng.com/mainland/special/diaoyudaozhengduan/content-3/detail_2012_08/16/16844487_0.shtml    
COL    ol : http://news.ifeng.com/mil/    
COL    ol : http://news.qq.com/    
COL    ol : http://news.sina.com.cn/    
COL    ol : http://news.sohu.com/    
COL    ol : http://pic.2345.com/    
COL    ol : http://r.dangdang.com/2345kuzhan    
COL    ol : http://sg.198game.com/    
COL    ol : http://shouji.2345.com/    
COL    ol : http://sports.163.com/    
COL    ol : http://sports.sina.com.cn/    
COL    ol : http://sports.sohu.com/    
COL    ol : http://t.qq.com/    
COL    ol : http://tech.sina.com.cn/mobile/    
COL    ol : http://tianqi.2345.com/    
COL    ol : http://tianqi.2345.com/indexs.htm    
COL    ol : http://tieba.baidu.com/    
COL    ol : http://tieba.baidu.com/index.html    
COL    ol : http://tools.2345.com/    
COL    ol : http://tools.2345.com/weizhang.htm    
COL    ol : http://tools.2345.com/xingzuoyc.htm    
COL    ol : http://tools.2345.com/zhgjm.htm    
COL    ol : http://tuan.27.cn/    
COL    ol : http://tv.2345.com/detail/11406.html    
COL    ol : http://tv.2345.com/detail/11453.html    
COL    ol : http://v.2345.com/    
COL    ol : http://v.2345.com/dv/    
COL    ol : http://v.2345.com/live/    
COL    ol : http://v.2345.com/zongyi/    
COL    ol : http://v.2345.com/zt/40    
COL    ol : http://v.ifeng.com/    
COL    ol : http://video.baidu.com/    
COL    ol : http://wan.2345.com/sxd_a/    
COL    ol : http://wangyou.2345.com/    
COL    ol : http://web.7k7k.com/games/dpcq/2345dhz/2345dhz-wzl.html    
COL    ol : http://web.7k7k.com/games/frxz2/2345dhz/2345dhz-syyxztsan.html    
COL    ol : http://web.7k7k.com/games/lb/2345dhz/2345dhz-syyxzt6.html    
COL    ol : http://web.7k7k.com/games/lb/2345dhz/2345dhz-wzl6.html    
COL    ol : http://web.qq.com/    
COL    ol : http://ww.xitek.com/    
COL    ol : http://www.10010.com/    
COL    ol : http://www.10086.cn/    
COL    ol : http://www.12306.cn/mormhweb/    
COL    ol : http://www.126.com/    
COL    ol : http://www.163.com/    
COL    ol : http://www.17173.com/    
COL    ol : http://www.1ting.com/    
COL    ol : http://www.2345.com/about/about.htm    
COL    ol : http://www.2345.com/about/gyhd.htm    
COL    ol : http://www.2345.com/aihao.htm    
COL    ol : http://www.2345.com/art.htm    
COL    ol : http://www.2345.com/bank.htm    
COL    ol : http://www.2345.com/baoxian.htm    
COL    ol : http://www.2345.com/bbs.htm    
COL    ol : http://www.2345.com/blog.htm    
COL    ol : http://www.2345.com/caipiao.htm    
COL    ol : http://www.2345.com/car.htm    
COL    ol : http://www.2345.com/chat.htm    
COL    ol : http://www.2345.com/child.htm    
COL    ol : http://www.2345.com/city/    
COL    ol : http://www.2345.com/corp.htm    
COL    ol : http://www.2345.com/daxue.htm    
COL    ol : http://www.2345.com/desk.htm    
COL    ol : http://www.2345.com/edu.htm    
COL    ol : http://www.2345.com/eng.htm    
COL    ol : http://www.2345.com/fashion.htm    
COL    ol : http://www.2345.com/flower.htm    
COL    ol : http://www.2345.com/football.htm    
COL    ol : http://www.2345.com/gov.htm    
COL    ol : http://www.2345.com/gupiao.htm    
COL    ol : http://www.2345.com/haob.htm    
COL    ol : http://www.2345.com/hardware.htm    
COL    ol : http://www.2345.com/health.htm    
COL    ol : http://www.2345.com/help/szsy.htm    
COL    ol : http://www.2345.com/homepage.htm    
COL    ol : http://www.2345.com/house.htm    
COL    ol : http://www.2345.com/indexold.htm    
COL    ol : http://www.2345.com/indexz.htm    
COL    ol : http://www.2345.com/jianfei.htm    
COL    ol : http://www.2345.com/jijin.htm    
COL    ol : http://www.2345.com/job.htm    
COL    ol : http://www.2345.com/junshi.htm    
COL    ol : http://www.2345.com/kaoshi.htm    
COL    ol : http://www.2345.com/kv.htm    
COL    ol : http://www.2345.com/laonian.htm    
COL    ol : http://www.2345.com/law.htm    
COL    ol : http://www.2345.com/love.htm    
COL    ol : http://www.2345.com/mail.htm    
COL    ol : http://www.2345.com/manwoman.htm    
COL    ol : http://www.2345.com/map.htm    
COL    ol : http://www.2345.com/meishi.htm    
COL    ol : http://www.2345.com/mm.htm    
COL    ol : http://www.2345.com/navhtm/city.htm    
COL    ol : http://www.2345.com/nba.htm    
COL    ol : http://www.2345.com/newsweek.htm    
COL    ol : http://www.2345.com/pic.htm    
COL    ol : http://www.2345.com/qtwz.htm    
COL    ol : http://www.2345.com/quyi.htm    
COL    ol : http://www.2345.com/shaoer.htm    
COL    ol : http://www.2345.com/sheji.htm    
COL    ol : http://www.2345.com/shenghuo.htm    
COL    ol : http://www.2345.com/sheying.htm    
COL    ol : http://www.2345.com/shouji.htm    
COL    ol : http://www.2345.com/shuma.htm    
COL    ol : http://www.2345.com/shwz.htm    
COL    ol : http://www.2345.com/soft/    
COL    ol : http://www.2345.com/software.htm    
COL    ol : http://www.2345.com/sport.htm    
COL    ol : http://www.2345.com/tongxun.htm    
COL    ol : http://www.2345.com/weibo.htm    
COL    ol : http://www.2345.com/world.htm    
COL    ol : http://www.2345.com/xszn/xshelp.htm    
COL    ol : http://www.2345.com/ylwz.htm    
COL    ol : http://www.2345.com/yule.htm    
COL    ol : http://www.2345.com/zt/girl.htm    
COL    ol : http://www.37wan.com/tg/2345dao/    
COL    ol : http://www.37wan.com/tg/2345dao_jxqy    
COL    ol : http://www.39.net/    
COL    ol : http://www.4399.com/    
COL    ol : http://www.4738.com/    
COL    ol : http://www.5200tv.com/    
COL    ol : http://www.6.cn/    
COL    ol : http://www.7k7k.com/    
COL    ol : http://www.9ku.com/    
COL    ol : http://www.abchina.com/    
COL    ol : http://www.aili.com/    
COL    ol : http://www.alipay.com/    
COL    ol : http://www.baixing.com/    
COL    ol : http://www.bankcomm.com/    
COL    ol : http://www.boc.cn/    
COL    ol : http://www.ccb.com/    
COL    ol : http://www.cheshi.com/    
COL    ol : http://www.chinabug.net/    
COL    ol : http://www.chinaiiss.com/    
COL    ol : http://www.chinanews.com.cn/    
COL    ol : http://www.cmbchina.com/    
COL    ol : http://www.cnfol.com/    
COL    ol : http://www.cntv.cn/index.shtml    
COL    ol : http://www.digu.com/    
COL    ol : http://www.douban.com/    
COL    ol : http://www.duote.com/    
COL    ol : http://www.duote.com/soft/2054.html    
COL    ol : http://www.duote.com/soft/21205.html    
COL    ol : http://www.duote.com/soft/21413.html    
COL    ol : http://www.duote.com/soft/54347.html    
COL    ol : http://www.duote.com/soft/5841.html    
COL    ol : http://www.fortunechina.com/    
COL    ol : http://www.hexun.com/    
COL    ol : http://www.homeinns.com/    
COL    ol : http://www.hongxiu.com/    
COL    ol : http://www.hotmail.com/    
COL    ol : http://www.hupu.com/    
COL    ol : http://www.ifeng.com/    
COL    ol : http://www.imobile.com.cn/    
COL    ol : http://www.iqiyi.com/    
COL    ol : http://www.junshitx.com/    
COL    ol : http://www.jxdyf.com/    
COL    ol : http://www.jxedt.com/    
COL    ol : http://www.kaixin001.com/    
COL    ol : http://www.kanshu.com/    
COL    ol : http://www.ku6.cn/    
COL    ol : http://www.kugou.com/    
COL    ol : http://www.m1905.com/vod/    
COL    ol : http://www.miercn.com/    
COL    ol : http://www.miitbeian.gov.cn/    
COL    ol : http://www.mop.com/    
COL    ol : http://www.onlinedown.net/    
COL    ol : http://www.onlylady.com/    
COL    ol : http://www.pcpop.com/    
COL    ol : http://www.people.com.cn/    
COL    ol : http://www.qianyan001.com/    
COL    ol : http://www.qidian.com/    
COL    ol : http://www.qiushibaike.com/    
COL    ol : http://www.qq.com/    
COL    ol : http://www.readnovel.com/    
COL    ol : http://www.renren.com/    
COL    ol : http://www.ruichuang.net/join_us/    
COL    ol : http://www.sina.com.cn/    
COL    ol : http://www.skycn.com/    
COL    ol : http://www.sohu.com/    
COL    ol : http://www.stockstar.com/    
COL    ol : http://www.taobao.com/    
COL    ol : http://www.tianya.cn/    
COL    ol : http://www.tudou.com/    
COL    ol : http://www.vdolady.com/    
COL    ol : http://www.vogue.com.cn/    
COL    ol : http://www.xinhuanet.com/    
COL    ol : http://www.xunlei.com/    
COL    ol : http://www.xxsy.net/    
COL    ol : http://www.youku.com/    
COL    ol : http://www.zaobao.com/    
COL    ol : http://www.zb8.com/    
COL    ol : http://www.zhcw.com/    
COL    ol : http://www.zhenai.com/901002.html    
COL    ol : http://www.zhiji.com/    
COL    ol : http://www.zhulang.com/    
COL    ol : http://www.zol.com.cn/    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/110.htm    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/174.htm    
COL    ol : http://xiaoyouxi.2345.com/zhuanti/61.htm    
COL    ol : http://yule.iqiyi.com/zghsy.html    
COL    ol : http://zhidao.baidu.com/    

< p >
==============================================>

ROW    com.2345.www:http/
COL    p : c    
COL    p : sig    
COL    p : st    
COL    p : t    

< s >
==============================================>

ROW    cn.10086.mail:http/
COL    s : s    //score

ROW    cn.10086.www:http/
COL    s : s    

ROW    cn.12306.www:http/mormhweb/
COL    s : s    

ROW    cn.27.tuan:http/
COL    s : s    

ROW    cn.6.www:http/
COL    s : s    

ROW    cn.boc.www:http/


更新db之後,把之前parse得出的urls全部採用倒排索引的方式生成行鍵,與剛開始注入時相同,唯有一處是f:st,已經用藍色標出,指fetch的狀態。


整個過程簡單的就是這樣了,當然這裏測試的只是初始的過程,穩定抓取時還會有複雜的情況出現。

發表評論
所有評論
還沒有人評論,想成為第一個評論的人麼? 請在上方評論欄輸入並且點擊發布.
相關文章