Nutch2 WebPage 字段解释

    id    主键，根据网页url生成(格式：reversed domain name:protocol:port and path),因此，Nutch2只能保存当前网页的状态，而不能保存历史信息。     
    headers    标准的http headers ，其中包含非打印字符。Last-Modified　等信息可能于判断网页是否需要更新(仅需发一个head请求，而不是下载整个网页)       
    text    合并了解析出来的所有文本字段(utf-8)，用于普通的检索，不过现在检索一般使用solr，所以这个字段意义不大。    
    status    记录抓取状态
        1     unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.) 
        2     fetched (page was successfully fetched) 
        3     gone (that page no longer exists) 
        4     redir_temp (temporary redirection — see reprUrl below for more details)  
        5     redir_perm (permanent redirection — see reprUrl below for more details) 
        34     retry 
        38     not modified    
    markers    各个任务的标记（如：dist***injmrk_***updmrk_***ftcmrk_***gnmrk_***prsmrk_**）
    parseStatus    parse状态，在执行parseJob之前都是NULL。 ParseStatusCodes.html
    modifiedTime    最后更改时间
    score    网页重要程度(PR)，Nutch2.2.1 使用的是OPIC算法
    typ    类型（如application/xhtml+xml）
    batchId    批次ID，由generate生成( (curTime/1000) + "-" +randomSeed )， fetch时可选择特定batchId的任务
    baseUrl    用于将网页源码中相对链接地址的转为绝对地址，能常和当前网页的地址一样，有重定向的情况下，等于最终定向到的地址       
    content    完整的网页源码，未经任何处理(字符集也没转)。　
    title    title标签里的内容 (已转utf-8编码)
    reprUrl    重定向url，将在下一轮抓取，不会立即跟入
    fetchInterval    抓取间隔，默认是2592000(30天)
    prevFetchTime    上次抓取时间
    inlinks    入链(url+linktext)
    prevSignature    上次更新时网页签名
    outlinks    出链(url+linktext)
    fetchTime    下次抓取时间，通常是间隔一个月
    retriesSinceFetch    重试次数
    protocolStatus    
        1. ACCESS_DENIED 17 
        2. BLOCKED 23 
        3. EXCEPTION 16 
        4. FAILED 2 
        5. GONE 11 
        6. MOVED 12 
        7. NOTFETCHING 20 
        8. NOTFOUND 14 
        9. NOTMODIFIED 21 
        10. PROTO_NOT_FOUND 10 
        11. REDIR_EXCEEDED 19 
        12. RETRY 15 
        13. ROBOTS_DENIED 18 
        14. SUCCESS 1 
        15. TEMP_MOVED 13 
        16. WOULDBLOCK 22 
    signature    网页签名，用于判断网页是否改变，默认的实现是:org.apache.nutch.crawl.MD5Signature ，采用content的MD5值，
        另一个方案是org.apache.nutch.crawl.TextProfileSignature，content抽取文本、分词、排序等一系列操作后计算MD5值 TextProfileSignature
    metadata    自定义元数据，可以在种子文件里面加，例如：　"http://xxxx/xxx.html \t type=news"