在 Crawler4j Solr 中定向搜索深度

Question

我试图让爬虫在连续 3 次尝试后每次找不到相关页面时"中止"搜索某个子域。提取页面的标题和文本后，我开始寻找要提交给我的 solr 收藏的正确页面。(我不想添加与此查询不匹配的页面(

public void visit(Page page)
{
int docid = page.getWebURL().getDocid();
String url = page.getWebURL().getURL();
String domain = page.getWebURL().getDomain();
String path = page.getWebURL().getPath();
String subDomain = page.getWebURL().getSubDomain();
String parentUrl = page.getWebURL().getParentUrl();
String anchor = page.getWebURL().getAnchor();
System.out.println("Docid: " + docid);
System.out.println("URL: " + url);
System.out.println("Domain: '" + domain + "'");
System.out.println("Sub-domain: '" + subDomain + "'");
System.out.println("Path: '" + path + "'");
System.out.println("Parent page: " + parentUrl);
System.out.println("Anchor text: " + anchor);
System.out.println("ContentType: " + page.getContentType());
if(page.getParseData() instanceof HtmlParseData) {
String title, text;
HtmlParseData theHtmlParseData = (HtmlParseData) page.getParseData();
title = theHtmlParseData.getTitle();
text = theHtmlParseData.getText();
if (  (title.toLowerCase().contains(" word1 ") && title.toLowerCase().contains(" word2 "))  ||  (text.toLowerCase().contains(" word1 ") && text.toLowerCase().contains(" word2 ")) ) {
//
// submit to SOLR server
//
submit(page);
Header[] responseHeaders = page.getFetchResponseHeaders();
if (responseHeaders != null) {
System.out.println("Response headers:");
for (Header header : responseHeaders) {
System.out.println("t" + header.getName() + ": " + header.getValue());
}
}
failedcounter = 0;// we start counting for 3 consecutive pages
} else {
failedcounter++;
}
if (failedcounter == 3) {
failedcounter = 0; // we start counting for 3 consecutive pages
int parent = page.getWebURL().getParentDocid();
parent....HtmlParseData.setOutgoingUrls(null);
}

我的问题是，如何编辑此代码的最后一行，以便我可以检索父"页面对象"并删除其传出 URL，以便爬网移动到其余子域。 目前我找不到可以将我从父 id 带到页面数据以删除 url 的函数。

Answer 1

visit(...)方法作为processPage(...)的最后一个语句之一调用(WebCrawler中的第 523 行(。

传出链接已添加到爬网程序的frontier(并且可能会在添加后立即由其他爬网程序进程处理(。

您可以通过调整爬虫shouldFollowLinksIn(...)shouldVisit(...)或(取决于确切的用例(来定义描述的行为