nutch使用最近一直在玩nutch，现在数据抓取出来了，但是怎么把数据提取出来啊？

如何利用nutch和hadoop爬取网页数据

最终选择的是apache nutch，到目前为止最新的版本是1.3 1. Nutch是什么? Nutch是一个开源的网页抓取工具，主要用于收集网页数据，然后对其进行分析，建立索引，以提供相应的接口来对其网页数据进行查询的一套工具。

其底层使用了Hadoop来做分布式计算与存储，索引使用了Solr分布式索引框架来做，Solr是一个开源的全文索引框架，从Nutch 1.3开始，其集成了这个索引架构 2. 在哪里要可以下载到最新的Nutch? 在下面地址中可以下载到最新的Nutch 1.3二进制包和源代码 /apache//nutch/ 3. 如何配置Nutch? 3.1 对下载后的压缩包进行解压，然后cd $HOME/nutch-1.3/runtime/local 3.2 配置bin/nutch这个文件的权限，使用chmod +x bin/nutch 3.3 配置JAVA_HOME，使用export JAVA_HOME=$PATH 4. 抓取前要做什么准备工作? 4.1 配置http.agent.name这个属性，在conf目录下 <prename="code"class="html"><property> <name>http.agent.name</name> <value>My Nutch Spider</value>

如何使用hadoop 开发搜索引擎

这个很复杂且很耗人力，如果是个人就放弃吧。

如果是团队还可以。

你可以用nutch做爬虫，用solr做索引，都是开源的软件。

我的集成搜索站

最近一直在玩nutch，现在数据抓取出来了，但是怎么把数据提取出来啊？

1、如果基于发布包来用nutch是自己提不出数据的，必须在其上做二次开发才可以。

2、加入其源码，跟踪其数据流，找到想要数据的输入和输出口，就非常容易实现楼主的要求了。

我也正在做这方面二次开发，可以多关注下我的百度博客，相关文章对你应该很有帮助。