我会在Java应用程序中使用Apache Nutch来从一个或多个网站抓取网页。基本上，我需要为网络爬虫找到的每个网页调用一个Java应用程序的方法，以处理页面内容(文本等)。如何实现这一点？
好吧，你的问题似乎是一个"XY问题"，Nutch可以用作自定义Java应用程序中的库，bin/nutch和bin/crawl脚本基本上只执行几个具有正确参数的Java类，所以在你的应用程序中，你可以用正确的参数调用正确的类，查看bin/crawl脚本将为您提供正确的步骤(和类)序列，以便调用全周期爬网。这应该只用于小型爬网。
现在，回到XY问题，如果您所需要的只是从网页中提取自定义文本/元数据，那么您可以扩展Nutch本身，而无需编写自定义应用程序。从您描述的内容来看，您正在寻找一个自定义解析器/索引插件。如果是这种情况，我建议你看看标题插件(https://github.com/apache/nutch/tree/master/src/plugin/headings)这是编写自己的CCD_ 4插件的一个很好的起点。您仍然需要编写自定义代码，但它将包含在Nutch插件中。
你也可以去看看https://issues.apache.org/jira/browse/NUTCH-1870，该插件允许使用XPath表达式提取HTML的自定义部分。