我正在尝试评估Solr,但无法在启用递归选项的情况下开始抓取网站。我已经到处寻找答案,但没有找到答案。环境: Windows Server2012 r2,java版本"1.8.0_171",solr-7.3.0。
在运行post.jar工具时,我得到以下错误:
java -Dauto=yes -Dc=testcore -Ddata=web -Drecursive=2 -Ddelay=10 -jar post.jar http://localhost/
SimplePostTool version 5.0.0
Posting web pages to Solr url http://localhost:8983/solr/testcore/update/extract
Entering auto mode. Indexing pages with content-types corresponding to file endings xml,json,jsonl,csv,pdf,doc,docx,ppt,pptx,xls,xlsx,odt,odp,ods,ott,otp,ots,rtf,htm,html,txt,log
Entering recursive mode, depth=2, delay=10s
Entering crawl at level 0 (1 links total, 1 new)
POSTed web resource http://localhost/ (depth: 0)
[Fatal Error] :1:1: Content is not allowed in prolog.
Exception in thread "main" java.lang.RuntimeException: org.xml.sax.SAXParseException; lineNumber: 1; columnNumber: 1; Content is not allowed in prolog.
at org.apache.solr.util.SimplePostTool$PageFetcher.getLinksFromWebPage(SimplePostTool.java:1252)
at org.apache.solr.util.SimplePostTool.webCrawl(SimplePostTool.java:616)
at org.apache.solr.util.SimplePostTool.postWebPages(SimplePostTool.java:563)
at org.apache.solr.util.SimplePostTool.doWebMode(SimplePostTool.java:365)
at org.apache.solr.util.SimplePostTool.execute(SimplePostTool.java:187)
at org.apache.solr.util.SimplePostTool.main(SimplePostTool.java:172)
Caused by: org.xml.sax.SAXParseException; lineNumber: 1; columnNumber: 1; Content is not allowed in prolog.
at com.sun.org.apache.xerces.internal.parsers.DOMParser.parse(Unknown Source)
at com.sun.org.apache.xerces.internal.jaxp.DocumentBuilderImpl.parse(Unknown Source)
at javax.xml.parsers.DocumentBuilder.parse(Unknown Source)
at org.apache.solr.util.SimplePostTool.makeDom(SimplePostTool.java:1061)
at org.apache.solr.util.SimplePostTool$PageFetcher.getLinksFromWebPage(SimplePostTool.java:1232)
... 5 more
如果在关闭递归选项的情况下逐个索引,我可以手动索引http://localhost/中的所有链接(到文件和其他页面),所以我不认为有任何带有特殊字符的文件或链接。谢谢大家,感谢你们的帮助。
发布于 2018-06-14 15:11:49
删除-Drecursive=2,它正在使用以下命令创建问题。
java -Dauto=yes -Dc=testcore -Ddata=web -Ddelay=10 -jar post.jar http://localhost/
发布于 2018-06-09 07:59:29
我无法让post.jar工具正常工作。在尝试和排除Nutch 1.8故障后,我终于能够让它自动抓取网页和跟踪链接。这就是我所做的:安装cygwin,将Nutch安装/解压缩到cygwin/home文件夹,下载Hadoop-0.20.20-core.jar并粘贴到cygwin/home/apache-nutch-1.8/lib。在做完这些之后,我能够在这里完成Nutch教程:https://wiki.apache.org/nutch/NutchTutorial在这个过程中还有其他一些小问题,但我真的不记得是什么了(我需要更好的文档...),不管怎样,如果有人在和我类似的环境中尝试这个,请随时给我发个消息。
发布于 2019-07-16 23:45:08
有了Drupal,我用一个6行的shell脚本解决了这个问题,不需要nutch等,以及由此带来的研发、环境问题等:
#!/bin/bash
x=0
while [ "$x" != "37142" ]
do
/opt/solr/bin/post -c drupal_dev https://www.[yoursite].com/node/$x
let "x+=1"
done
您可以使用drush动态生成最高的节点号。
您可以很容易地对其进行调整,以使用由wget生成的URL列表来抓取您的站点,或者在wget抓取您的站点时简单地发布它们。如果我从营销部门得到关于使用/node/nodeId urls的反馈,我计划这样做。
这个特定的shell脚本非常慢,我甚至不需要抛出延迟。
https://stackoverflow.com/questions/50548947
复制相似问题