網(wǎng)站資源信息自動采集技術(shù)

馬浩銘

(新疆質(zhì)信通工程檢測技術(shù)有限公司，新疆 烏魯木齊 830011)

1 信息采集器

1.1 Index程序的參數(shù)設(shè)置

-n number 索引指定數(shù)目的文檔后退出。注意：在運行index-n number后，運行index-D程序。如果用戶使用多線程，索引的文檔數(shù)目會比預(yù)定的值高一些。

-N number 設(shè)置運行索引線程的數(shù)量。只有對多個網(wǎng)站進(jìn)行索引時，多線程索引才有意義。兩個線程或多個線程不能同時對同一站點進(jìn)行索引。

-R number 運行解析進(jìn)程的數(shù)目。默認(rèn)是線程數(shù)/5+1。如果用戶的服務(wù)器解析慢的時候，用戶需要增加默認(rèn)值。

1.2 重新索引控制參數(shù)設(shè)置

-a 重新索引所有的文檔，并忽略文檔的失效狀態(tài)。默認(rèn)情況下，只有比Period時間早的文檔才被重新索引。

-m 存儲文檔中詞和超鏈接，忽略文檔的修改狀態(tài)。沒有這個參數(shù)時，只有修改的文檔才會被重新索引。

-o 優(yōu)先抓深度淺的文檔。這里的跳躍指的是文檔的深度值。

-M繼續(xù)索引先前索引任務(wù)的URLs。這些URLs會被存儲在臨時MySQL數(shù)據(jù)庫中，這常用于調(diào)試目的。

1.3 實時數(shù)據(jù)庫索引選項

-T URL索引URL到實時數(shù)據(jù)庫中，需要注意的是，用戶不能增加太多的文檔到實時數(shù)據(jù)庫中，否則檢索實時數(shù)據(jù)庫會非常地慢。實際上實時數(shù)據(jù)庫文檔的限制是依賴于硬件的，大約1000個urls，效果會比較好。實時數(shù)據(jù)庫的文檔歸并到主數(shù)據(jù)庫的命令是index-D。這個參數(shù)選項在重新索引經(jīng)常需要改變的網(wǎng)頁時候非常有用。用戶可以及時地看到結(jié)果，用戶可以使用-A參數(shù)一起使用。

1.4 清理數(shù)據(jù)庫

-C清理數(shù)據(jù)庫。用戶可以控制參數(shù)來限制清理數(shù)據(jù)庫的范圍。……