问我如何抓取PDF文件，以便它是索引和保存在我的服务器上，使用Nutch？

EN

如果你有pdf url:，你可以直接用它来获取它。当你获取它时，它会将整个pdf存储在db中。

如果你没有url：一种解决方案是将它们生成为你正在爬行的网站的外链。为此，您需要编写自己的解析器(或扩展当前解析器)，以将pdf保存为外部链接。因此，下次调用updateDb命令时，它们将被保存为数据库中的新行，您可以在下一次爬行中获取它们。

这些文件都在segments文件夹中，只是没有存储为“普通”pdf文件。要重建数据段中的文件，可以使用以下命令：

bin/nutch dump  -outputDir ./out -segment ./crawldir/segments -flatdir

备注

1. 如果您在命令行中键入bin/nutch dump，则可以看到参数及其说明的完整列表。
2. 上述命令输出的文件的前缀字母数字序列是站点url的md5哈希。