nutch 在hadoop环境下过滤抓取url的设置

摘要: 有个网站有问题，导致nutch 抓取超过24小时，故修改 master主机的nutch conf下regex-urlfiter.txt，发现没有效果。nutch在Hadoop环境下运行，master 和 slave 主机 都要读取regex-urlfilter.txt， 这个文件应该放在哪儿？

分析：nutch在单机和hadoop环境下运行不一样， nutch目录下有一个runtime子目录，该子目录下有 local和deploy两个文件夹，local是本地运行的文件，deploy是分布式运行的文件，分布运行的conf文件应该打包到deyloy的apache-nutch-XX.job

中。所以，一旦要修改 nutch/conf中文件内容， 修改完后，需要ant一下，重新生成deyloy的apache-nutch-XX.job即可