如何修复替换正则表达式标志组件时的错误？

Question

我使用的是 nutch 1.14，因为我使用的是 GCS 索引器。这是我在 nutch-site.xml

<property>  
    <name>index.replace.regexp</name>  
    <value>  
        urlmatch=.*example.com\/[a-zA-Z0-9-]+  
        url:category=/https:\/\/www.example.com\/([a-zA-Z0-9-]+)//  
    </value>  
</property>

我遇到错误：

$ grep 'replace' logs/hadoop.log  
ERROR replace.ReplaceIndexer - Pattern           
url:category=/https:\/\/www.example.com\/([a-zA-Z0-9-]+)//, has invalid flags component

当我将 nutch-site.xml 中的行更改为：

-url:category=/https:\/\/www.mydomain.com\/([a-zA-Z0-9-]+)//2

我想在类别中获得 url 的一部分。例如：如果 url 是 https://www.example.com/testcategory ，我喜欢类别是 testcategory

谢谢。

Answer 1

如果我没理解错的话，您想获取域 (example.com) 之后的内容并将其放在类别字段中，对吗？

在这种情况下，您的正则表达式有误。您想在 example.com/<category> 之后捕获所有内容，那么您需要配置 urlmatch，例如：

urlmatch=.*example\.com\/([a-zA-Z0-9-]+)

在这种情况下 ([a-zA-Z0-9-]+) 将创建一个可通过 </code> 访问的捕获组。然后你可以像这样设置字段：</p> <pre><code> url:category=

这将获取使用捕获组捕获的内容并将其放置在 category 字段中。

您可以在以下位置测试正则表达式：https://regex101.com/r/bMLqOq/1。

如何修复替换正则表达式标志组件时的错误？

How do i fix the error in replace regex flag component?

nutch