在Crawler4j Solr中指导搜索深度。

Question

我正在尝试让爬虫在每次连续尝试3次后没有找到相关页面时 "中止 "搜索某个子域。在提取页面的标题和文本后，我开始寻找正确的页面提交到我的solr集合。(我不想添加不符合这个查询的页面)

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，我如何编辑这段代码的最后一行，使我可以检索父 "页面对象"，并删除其传出的urls，使爬虫移动到其余的子域.目前，我无法找到一个函数，可以让我从父ID到页面数据，删除urls。

Answer 1

该 visit(...) 方法作为最后一条语句被调用。processPage(...) (第523行) WebCrawler).

外链已经被添加到爬虫的 frontier (并且可能在它们被添加后立即被其他爬虫进程处理)。

您可以通过调节 shouldVisit(...) 或（根据具体使用情况）在 shouldFollowLinksIn(...) 爬行器的