如何配置apache nutch刪除所有標籤及其內容？

Question

這甚至有可能嗎？

我遇到了導航問題，它也作爲內容包含在文檔中。所以這就是爲什麼我想刪除所有鏈接標籤，以便它不在數據中。

我使用的是1.7版本。

Answer 1

如果您只想告訴nutch不要遵循「a」標籤，您可以簡單地將「a」添加到「parser.html.outlinks.ignore_tags」設置中。

如果你想從解析後的數據中去掉「a」標籤及其內容，因爲目前與nutch一起提供的HtmlParser沒有任何與此相關的設置，我認爲你應該編寫一個nutch插件並開發一個HtmlParseFilter來做你的邏輯。