在 StormCrawler 中处理重定向域

Question

我正在从事基于 StormCrawler 的项目。我们的要求之一是找到重定向到另一个域的域。在 StormCrawler 中，每个重定向 URL 都被视为爬虫的深度。例如，对于有两个重定向步骤的域，我们需要使用深度=2 进行爬取。如何在不考虑爬虫中的 depth 的情况下解析所有重定向域？

Answer 1

过滤器不区分从重定向中找到的 URL 和来自页面中的链接的 URL。您可以简单地停用基于深度的过滤器，并在必要时使用自定义解析过滤器来限制外链。

Answer 2

我修改了MaxDepthFilter如下：

public class MaxDepthFilter implements URLFilter {

    private static final Logger LOG = LoggerFactory
            .getLogger(MaxDepthFilter.class);

    private int maxDepth;
    
    @Override
    public void configure(Map stormConf, JsonNode paramNode) {
        JsonNode node = paramNode.get("maxDepth");
        if (node != null && node.isInt()) {
            maxDepth = node.intValue();
        } else {
            maxDepth = -1;
            LOG.warn("maxDepth parameter not found");
        }
        
    }

    @Override
    public String filter(URL pageUrl, Metadata sourceMetadata, String url) {
        int depth = getDepth(sourceMetadata, MetadataTransfer.depthKeyName);
        
        boolean containsRedir = containsRedirect(sourceMetadata, "_redirTo");
        
        // is there a custom value set for this particular URL?
        int customMax = getDepth(sourceMetadata,
                MetadataTransfer.maxDepthKeyName);
        if (customMax >= 0) {
            return filter(depth, customMax, url);
        }
        // rely on the default max otherwise
        else if (maxDepth >= 0) {
            if(containsRedir)
                return url;
            else
                return filter(depth, maxDepth, url);
        }
        return url;
    }

    private String filter(int depth, int max, String url) {
        // deactivate the outlink no matter what the depth is
        if (max == 0) {
            return null;
        }
        if (depth >= max) {
            return null;
        }
        return url;
    }
    

    private int getDepth(Metadata sourceMetadata, String key) {
        if (sourceMetadata == null) {
            return -1;
        }
        String depth = sourceMetadata.getFirstValue(key);
        if (StringUtils.isNumeric(depth)) {
            return Integer.parseInt(depth);
        } else {
            return -1;
        }
    }
    
    private boolean containsRedirect(Metadata sourceMetadata, String key) {
        if (sourceMetadata == null) {
            return false;
        }
        String redir = sourceMetadata.getFirstValue(key);
        if (StringUtils.isNotBlank(redir)) {
            return true;
        } else {
            return false;
        }
    }
}

它是否正常工作或陷入无限循环？

在 StormCrawler 中处理重定向域

dealing with redirect domains in StormCrawler

stormcrawler