Nutch 1.3 学习笔记 10-2 插件扩展


分类: Nutch   491人阅读  评论(0)  收藏  举报
Nutch 1.3 学习笔记 插件扩展 10-2
---------------------------------

1. 自己扩展一个简单的插件

   这里扩展一个Nutch的URLFilter插件,叫MyURLFilter

   1.1 生成一个Package

    首先生成一个与urlfilter-regex类似的包结构
如org.apache.nutch.urlfilter.my

   1.2 在这个包中生成相应的扩展文件

    再生成一个MyURLFilter.java文件,内容如下:
[html]  view plain copy
  1. package org.apache.nutch.urlfilter.my;  
  2.   
  3. import java.io.BufferedReader;  
  4. import java.io.IOException;  
  5. import java.io.InputStreamReader;  
  6.   
  7.   
  8. import org.apache.hadoop.conf.Configuration;  
  9. import org.apache.nutch.net.URLFilter;  
  10. import org.apache.nutch.urlfilter.prefix.PrefixURLFilter;  
  11.   
  12.   
  13. public class MyURLFilter implements URLFilter{   // 这里的继承自Nutch的URLFilter扩展  
  14.     private Configuration conf;  
  15.       
  16.     public MyURLFilter()  
  17.     {}  
  18.     @Override  
  19.     public String filter(String urlString) {  // 对url字符串进行过滤  
  20.         // TODO Auto-generated method stub  
  21.         return "My Filter:"+ urlString;  
  22.     }  
  23.   
  24.   
  25.     @Override  
  26.     public Configuration getConf() {  
  27.         // TODO Auto-generated method stub  
  28.         return this.conf;  
  29.     }  
  30.   
  31.   
  32.     @Override  
  33.     public void setConf(Configuration conf) {  
  34.         // TODO Auto-generated method stub  
  35.         this.conf = conf;  
  36.     }  
  37.       
  38.     public static void main(String[] args) throws IOException  
  39.     {  
  40.            
  41.         MyURLFilter filter = new MyURLFilter();  
  42.           
  43.         BufferedReader in=new BufferedReader(new InputStreamReader(System.in));  
  44.         String line;  
  45.         while((line=in.readLine())!=null) {  
  46.           String out=filter.filter(line);  
  47.           if(out!=null) {  
  48.             System.out.println(out);  
  49.           }  
  50.         }  
  51.     }  
  52.   
  53.   
  54. }  


    1.3 打包成jar包并生成相应的plugin.xml文件

打包可以用ivy或者是eclipse来打,每一个plugin都有一个描述文件plugin.xml,内容如下:
[html]  view plain copy
  1. <plugin  
  2.   id="urlfilter-my"  
  3.   name="My URL Filter"  
  4.   version="1.0.0"  
  5.   provider-name="nutch.org">  
  6.   
  7.   
  8.   <runtime>  
  9.      <library name="urlfilter-my.jar">  
  10.         <export name="*"/>  
  11.      </library>  
  12. <!-- 如果这里你的插件有依赖第三方库的话,可以这样写  
  13.      <library name="fontbox-1.4.0.jar"/>  
  14.      <library name="geronimo-stax-api_1.0_spec-1.jar"/>  
  15.   -->  
  16.   </runtime>  
  17.   
  18.   
  19.   <requires>  
  20.      <import plugin="nutch-extensionpoints"/>  
  21.   </requires>  
  22.   
  23.   
  24.   <extension id="org.apache.nutch.net.urlfilter.my"  
  25.              name="Nutch My URL Filter"  
  26.              point="org.apache.nutch.net.URLFilter">  
  27.      <implementation id="MyURLFilter"  
  28.                      class="org.apache.nutch.urlfilter.prefix.MyURLFilter"/>  
  29.      <!-- by default, attribute "file" is undefined, to keep classic behavior.  
  30.      <implementation id="PrefixURLFilter"  
  31.                      class="org.apache.nutch.net.PrefixURLFilter">  
  32.        <parameter name="file" value="urlfilter-prefix.txt"/>  
  33.      </implementation>  
  34.      -->  
  35.   </extension>  
  36.   
  37.   
  38. lt;/plugin>  

    1.4 把需要的包与配置文件放入plugins目录中

最后把打好的jar包与plugin.xml放到一个urlfilter-my文件夹中,再把这个文件夹到到nutch的plugins目录下



2. 使用bin/nutch plugin来进行测试

在运行bin/nutch plugin命令之前你要修改一下nutch-site.xml这个配置文件,在下面加入我们写的插件,如下
[html]  view plain copy
  1. <property>  
  2.   <name>plugin.includes</name>  
  3.   <value>protocol-http|urlfilter-(regex|prefix|my)|parse-(html|tika)|index-(basic|anchor)|scoring-opic|urlnormalizer-(pass|regex|basic)</value>  
  4.   <description>Regular expression naming plugin directory names to  
  5.   include.  Any plugin not matching this expression is excluded.  
  6.   In any case you need at least include the nutch-extensionpoints plugin. By  
  7.   default Nutch includes crawling just HTML and plain text via HTTP,  
  8.   and basic indexing and search plugins. In order to use HTTPS please enable   
  9.   protocol-httpclient, but be aware of possible intermittent problems with the   
  10.   underlying commons-httpclient library.  
  11.   </description>  
  12. </property>  



在本机测试结果如下:
[html]  view plain copy
  1. lemo@debian:~/Workspace/java/Apache/Nutch/nutch-1.3$ bin/nutch plugin urlfilter-my org.apache.nutch.urlfilter.my.MyURLFilter  
  2.        urlString1  
  3.        My Filter:urlString1  
  4.        urlString2  
  5.        My Filter:urlString2  

3. 总结
   这里只是写了一个简单的插件,当然你可以根据你的需求写出更加复杂的插件.


4. 参考

http://wiki.apache.org/nutch/WritingPluginExample#The_Example

你可能感兴趣的:(html,Debian,Nutch,basic,regex,扩展,plugins)