plugin(插件)為nutch提供了一些功能強(qiáng)大的部件，舉個例子， HtmlParser 就是使用比較普遍的用來分析nutch抓取的html文件的插件。
?????? 為什么nutch要使用這樣的plugin系統(tǒng)?
???? ??? 有三個原因：
1：可擴(kuò)展性
?????? 通過plugin，nutch允許任何人擴(kuò)展它的功能，而我們要做的只是對給定的接口做簡單的實(shí)現(xiàn)，舉個例子：MSWordParser這個插件是用來分析wordwendang的，它就是一個對parser這個接口的實(shí)現(xiàn)
2：靈活性
????? 因為每個人都可以根據(jù)自己的需求而寫自己的plugin，這樣plugin就會有一個很強(qiáng)大的資源庫。這樣對與應(yīng)用nutch程序員來說，他可以在自己的搜索引擎上安裝符合自己需求的插件，而這些插件就在nutch的plugins中。這對于正在應(yīng)用nutch的開發(fā)者來說應(yīng)該是一個巨大的福音，因為你有了更多的關(guān)于內(nèi)容抽取的算法來選擇，很容易就增加了pdf的分析。
3：可維護(hù)性
每個開發(fā)者只要關(guān)注自己的問題。對于內(nèi)核的開發(fā)者在為引擎內(nèi)核擴(kuò)展的同時，為a plug添加一個描述它的接口就可以了。一個plugin的開發(fā)者只要關(guān)注這個plugin所要實(shí)現(xiàn)的功能，而不需要知道整個系統(tǒng)是怎么工作的。它們僅僅需要知道的是plugin和plug之間交換的數(shù)據(jù)類型。這使得內(nèi)核更加簡單，更容易維護(hù)。
?????? plugin相關(guān)－－什么是plugin，plugin的工作原理
nutch的 plugin系統(tǒng)是基于Eclipse 2.x中對插件的使用。plugins對nutch的工作是很重要的。所有的nutch中的parsing（分析），indexing（索引），searching（查詢）都是通過不同的plugins來實(shí)現(xiàn)的。
在編寫一個plugin的時候，你要為一個擴(kuò)展點(diǎn)添加一個或者更多的擴(kuò)展項。這些Nutch的擴(kuò)展點(diǎn)是Nutch在一個plugin中已經(jīng)定義好了，這個plugin是 NutchExtensionPoints （所有的擴(kuò)展點(diǎn)都會在NutchExtensionPoints plugin.xml 這個文件中列出）。每一個擴(kuò)展點(diǎn)都定義了一個接口，這個接口在擴(kuò)展時必須被實(shí)現(xiàn)。這些擴(kuò)展點(diǎn)如下：
??? onlineClusterer－為在線的查詢結(jié)果提供分組算法的擴(kuò)展點(diǎn)的接口
??? indexingFiltering－允許為所索引中的Field添加元數(shù)據(jù)。所有的實(shí)現(xiàn)了這個接口plugin會在分析的過程中順序的逐個運(yùn)行
??? Ontology
??? Parser
??? 實(shí)現(xiàn)這個接口的parser讀取所抓取的document，摘取將被索引的數(shù)據(jù)。如果你要在nutch中為擴(kuò)展分析一個新內(nèi)容類型或者從現(xiàn)有的可分析的內(nèi)容摘取更多的數(shù)據(jù)。
HtmlParseFilter
為html parser添加額外的元數(shù)據(jù)
protocol
實(shí)現(xiàn)Protocol的plugin可以使得nutch能使用更多的網(wǎng)絡(luò)協(xié)議（ftp，http）去抓取數(shù)據(jù)
QueryFilter
為查詢轉(zhuǎn)換的擴(kuò)展點(diǎn)
URLFileter
實(shí)現(xiàn)這個擴(kuò)展點(diǎn)的plugin會對nutch要抓取的網(wǎng)頁的urls進(jìn)行限制，RegexURLFilter提供了通過正則表達(dá)式來對Nutch爬行網(wǎng)頁的urls的控制。如果你對urls還有更加復(fù)雜的控制要求，你可以編寫對這個urlfilter的實(shí)現(xiàn)
NutchAnalyser
為許多語言特定的分析器提供了擴(kuò)展點(diǎn)
源文件
在plugin的源文件目錄中你會找到以下的文件
plugin.xml???? 向nutch描述這個plugin的信息
build.xml????? 告訴ant怎樣編譯這個plugin
plugin的源碼
在Nutch使用plugin
如果要在Nutch使用一個給定的plugin，你需要對conf/nutch-site.xml進(jìn)行編輯并且把plugin的名字添加到plugin.includes中
Nutch plugin系統(tǒng)中的一些概念
?
編寫一個pluginExample
??????? 思考編寫這樣的一個plugin：我們想為一個給定的search term推薦一些與之相關(guān)的網(wǎng)頁。舉個例子，假設(shè)我們正在索引網(wǎng)頁，當(dāng)我們注意到有一組網(wǎng)頁的內(nèi)容是關(guān)于plugin的，所以我們想如果當(dāng)某人查詢plugin的時候，我們可以推薦他到pluginCentral這個網(wǎng)頁，但是同時，也要返回在一般邏輯中的查詢結(jié)果所有的hits。所以我們將查詢結(jié)果分成了推薦結(jié)果和一般查詢結(jié)果。
??????? 你瀏覽你的網(wǎng)頁然后把一個meta－tags加入網(wǎng)頁中，它會告訴plugin這個網(wǎng)頁是應(yīng)該被推薦的。這個tags應(yīng)該像這樣
<meta name="recommended" content="plugins" />
為了達(dá)到目標(biāo)我們需要寫一個plugin，這個plugin擴(kuò)展3個不同的擴(kuò)展點(diǎn)，它們是：
HTMLParser：從meta－tags得到推薦的terms
IndexingFilter：增加一個推薦Field在索引中。
QueryFilter：增加對索引中新Field的查詢能力
要建立的文件
首先在plugin的目錄中新建一個目錄來盛放自己的的plugin，整個plugin我們?nèi)∶麨閞ecommended，然后在這個目錄里面
依次建立以下文件:
a plugin.xml,這個文件用來向Nutch描述我們新建的plugin
a build.xml這個文件告訴編譯器應(yīng)該怎樣build這個plugin
plugin的源代碼則保存在/src/java/org/apache/nutch/parse/recommended/[這里]
Plugin.xml
你所建立的plugin.xml應(yīng)該這樣：??
<?xml version="1.0" encoding="UTF-8"?>
<plugin
id="recommended"
name="Recommended Parser/Filter"
version="0.0.1"
provider-name="nutch.org">
<runtime>
<!-- As defined in build.xml this plugin will end up bundled as recommended.jar -->
<library name="recommended.jar">
<export name="*"/>
</library>
</runtime>
<!-- The RecommendedParser extends the HtmlParseFilter to grab the contents of
any recommended meta tags -->
<extension id="org.apache.nutch.parse.recommended.recommendedfilter"
name="Recommended Parser"
point="org.apache.nutch.parse.HtmlParseFilter">
<implementation id="RecommendedParser"
class="org.apache.nutch.parse.recommended.RecommendedParser"/>
</extension>
<!-- TheRecommendedIndexer extends the IndexingFilter in order to add the contents
of the recommended meta tags (as found by the RecommendedParser) to the lucene
index. -->
<extension id="org.apache.nutch.parse.recommended.recommendedindexer"
name="Recommended identifier filter"
point="org.apache.nutch.indexer.IndexingFilter">
<implementation id="RecommendedIndexer"
class="org.apache.nutch.parse.recommended.RecommendedIndexer"/>
</extension>
<!-- The RecommendedQueryFilter gets called when you perform a search. It runs a
search for the user's query against the recommended fields.??? In order to get
add this to the list of filters that gets run by default, you have to use
"fields=DEFAULT". -->
<extension id="org.apache.nutch.parse.recommended.recommendedSearcher"
name="Recommended Search Query Filter"
point="org.apache.nutch.searcher.QueryFilter">
<implementation id="RecommendedQueryFilter"
class="org.apache.nutch.parse.recommended.RecommendedQueryFilter"
fields="DEFAULT"/>
</extension>
</plugin>
Build.xml
<?xml version="1.0"?>
<project name="recommended" default="jar">
<import file="../build-plugin.xml"/>
</project>
???
?
The HTML Parser Extension
這是對HtmlParserExtension這個擴(kuò)展點(diǎn)的實(shí)現(xiàn)，它的作用是抓取那些標(biāo)meta－tags的內(nèi)容，這樣把它們加入正在分析的document中。.
package org.apache.nutch.parse.recommended;
// JDK imports
import java.util.Enumeration;
import java.util.Properties;
import java.util.logging.Logger;
// Nutch imports
import org.apache.nutch.parse.HTMLMetaTags;
import org.apache.nutch.parse.Parse;
import org.apache.nutch.parse.HtmlParseFilter;
import org.apache.nutch.protocol.Content;
import org.apache.nutch.util.LogFormatter;
public class RecommendedParser implements HtmlParseFilter {
private static final Logger LOG = LogFormatter
.getLogger(RecommendedParser.class.getName());
/** The Recommended meta data attribute name */
public static final String META_RECOMMENDED_NAME="Recommended";
/**
* 在html文件中尋找有沒有標(biāo)有meta－tags的內(nèi)容???? */
public Parse filter(Content content, Parse parse, HTMLMetaTags metaTags, DocumentFragment doc) {
// Trying to find the document's recommended term
String recommendation = null;
Properties generalMetaTags = metaTags.getGeneralTags();
for (Enumeration tagNames = generalMetaTags.propertyNames(); tagNames.hasMoreElements(); ) {
if (tagNames.nextElement().equals("recommended")) {
recommendation = generalMetaTags.getProperty("recommended");
LOG.info("Found a Recommendation for " + recommendation);
}
}
if (recommendation == null) {
LOG.info("No Recommendataion");
} else {
LOG.info("Adding Recommendation for " + recommendation);
parse.getData().getMetadata().put(META_RECOMMENDED_NAME, recommendation);
}
return parse;
}
}
The Indexer Extension
這是對索引點(diǎn)的擴(kuò)展，如果查找到帶有meta－tags的內(nèi)容，就把它命名”recommended’的field中，然后加入document建立索引??
package org.apache.nutch.parse.recommended;
// JDK import
import java.util.logging.Logger;
// Nutch imports
import org.apache.nutch.util.LogFormatter;
import org.apache.nutch.fetcher.FetcherOutput;
import org.apache.nutch.indexer.IndexingFilter;
import org.apache.nutch.indexer.IndexingException;
import org.apache.nutch.parse.Parse;
// Lucene imports
import org.apache.lucene.document.Field;
import org.apache.lucene.document.Document;
public class RecommendedIndexer implements IndexingFilter {
public static final Logger LOG
= LogFormatter.getLogger(RecommendedIndexer.class.getName());
public RecommendedIndexer() {
}
public Document filter(Document doc, Parse parse, FetcherOutput fo)
throws IndexingException {
String recommendation = parse.getData().get("Recommended");
if (recommendation != null) {
Field recommendedField = Field.Text("recommended", recommendation);
recommendedField.setBoost(5.0f);
doc.add(recommendedField);
LOG.info("Added " + recommendation + " to the recommended Field");
}
return doc;
}
}
The QueryFilter
當(dāng)用戶進(jìn)行查找操作的時候，QueryFilter就會被調(diào)用，而且對于recommeded中的boost值會影響查詢結(jié)果的排序。
package org.apache.nutch.parse.recommended;
import org.apache.nutch.searcher.FieldQueryFilter;
import java.util.logging.Logger;
import org.apache.nutch.util.LogFormatter;
public class RecommendedQueryFilter extends FieldQueryFilter {
private static final Logger LOG = LogFormatter
.getLogger(RecommendedParser.class.getName());
public RecommendedQueryFilter() {
super("recommended", 5f);
LOG.info("Added a recommended query");
}
}
讓Nutch可以使用你的plugin
為了讓Nutch使用你的plugin，你需要對conf/nuthc-site.xml這個文件進(jìn)行編輯，把
以下的代碼加入
<property>
<name>plugin.includes</name>
<value>nutch-extensionpoints|protocol-http|urlfilter-regex|parse-(text|html)|index-basic|query-(basic|site|url)|recommended
</value>
<description>Regular expression naming plugin directory names to
include.??? Any plugin not matching this expression is excluded.
In any case you need at least include the nutch-extensionpoints plugin. By
default Nutch includes crawling just HTML and plain text via HTTP,
and basic indexing and search plugins.
</description>
</property>
使用Ant對你的plugin進(jìn)行編譯
在之前我們要編輯一下src/plugin/build.xml 這個文件，這是對編譯和部署做一些設(shè)置
你會看到有很多如下形式的行
<ant dir="[plugin-name]" target="deploy" />
在</target>前添加一新行
??? <ant dir="reccomended" target="deploy" />
Running ‘a(chǎn)nt’ in the root of your checkout directory should get everything compiled and jared up. The next time you run a crawl your parser and index filter should get used.
You’ll need to run ‘a(chǎn)nt war’ to compile a new ROOT.war file. Once you’ve deployed that, your query filter should get used when searches are performed.
plugins和class加載到nutch的問題集合
對plugin開發(fā)者來說最棒的事情就是自由了，可以不去理會別的plugin的開發(fā)者在做什么，可以自由的使用第三方的jar庫。
nutch是怎樣解決類加載這個問題的？
Nutch使用了一個非常容易的方法，每一個plugin都有一個屬于自己的類加載器，這個class－loader在plugin啟動以前將會被初始化
???????? 寫plugin－by stefan
nutch 0.7中的plugins
如果你要在nutch中應(yīng)用這些插件，你只需要編輯conf/nutch-site.xml，把你所要用的plugin的名字加入plugin.includes的列表中
- clustering-carrot2 ?– Online Search Results Clustering using Carrot2’s Lingo component.
- creativecommons ?– Support for crawling and searching Creative-Commons licensed content.
- index-basic ?– Adds url, content and anchor fields to the index.
- index-more ?– Adds date, content-length, contentType, primaryType and subtype fields to the index.
- languageidentifier ?– Adds a lang field to the index and allows you to query against it.
- ontology ?– Helps refine queries based on owl files.
- parse-ext ?– A wrapper that invokes external command to do real parsing job.
- parse-html ?– Parses HTML documents
- parse-js ?– Parses JavaScript
- parse-mp3 ?– Parses MP3s
- parse-msword ?– Parses MS Word documents
- parse-pdf ?– Parses PDFs
- parse-rss ?– Parses RSS feeds
- parse-rtf ?– Parses RTF files
- parse-text ?– Parses text documents
- protocol-file ?– Retreives documents from the filesystem
- protocol-ftp ?– Retreives documents through ftp
- protocol-http ?– Retreives documents through http
- protocol-httpclient ?– Retreives documents through http and https
- query-basic ?– Runs queries against content, url and anchor fields
- query-more ?– Runs queries against date, content-length, contentType, primaryType and subType fields.
- query-site ?– Runs queries against site field
- query-url ?– Runs queries against url field.
- urlfilter-prefix
- urlfilter-regex
Additional Plugins in Dev Branch (0.8)
- analysis-de
- analysis-fr
- lib-commons-httpclient
- lib-http
- lib-jakarta-poi
- lib-log4j
- lib-lucene-analyzers
- lib-nekohtml
- lib-parsems
- parse-msexcel ?– Parses MS Excel documents
- parse-mspowerpoint ?– Parses MS Powerpoint documents
- parse-oo ?– Parses Open Office and Star Office documents (Extentsions: ODT, OTT, ODH, ODM, ODS, OTS, ODP, OTP, SXW, STW, SXC, STC, SXI, STI)
- parse-swf ?– Parses Flash SWF files
-
microformats-reltag
?– Adds?
![[WWW]](http://img.it610.com/image/product/c04b1781126b4eecae121dd48e85d881.png)
?rel-tag
?fields to the index and runs queries against them.
- parse-zip
?原文地址： http://blog.csdn.net/geogre_jsj/article/details/5726646
更多文章、技術(shù)交流、商務(wù)合作、聯(lián)系博主
微信掃碼或搜索：z360901061
微信掃一掃加我為好友
QQ號聯(lián)系： 360901061
您的支持是博主寫作最大的動力，如果您喜歡我的文章，感覺我的文章對您有幫助，請用微信掃描下面二維碼支持博主2元、5元、10元、20元等您想捐的金額吧，狠狠點(diǎn)擊下面給點(diǎn)支持吧，站長非常感激您！手機(jī)微信長按不能支付解決辦法：請將微信支付二維碼保存到相冊，切換到微信，然后點(diǎn)擊微信右上角掃一掃功能，選擇支付二維碼完成支付。
【本文對您有幫助就好】元
