Web 爬虫 Apache Nutch 1.16 发布

Apache Nutch 1.16 发布了。Nutch是一个成熟的、可用于生产的 Web 爬虫。 Nutch 1.x 可以依靠 Apache Hadoop™ 数据结构进行细粒度配置，这对于批处理非常有用。

此版本包含 100 多个错误修复和改进，主要更新内容如下：

新特性

• [NUTCH-2676] - 更新至最新的 selenium，并添加代码以通过远程 Web 驱动程序使用 chrome 和 firefox 无头模式

Bug 修复

• [NUTCH-1063] - OutlinkExtractor 测试会生成异常，但不会失败
• [NUTCH-1842] - crawl.gen.delay 在 nutch-default.xml 中具有错误的默认值，或者被错误地解析
• [NUTCH-2279] - 使用 Hadoop MR 输出压缩时 LinkRank 失败
• [NUTCH-2381] - 在某些情况下，类 TextProfileSignature 为同一文本“配置文件”页面提供不同的签名
• [NUTCH-2387] - Nutch 不应使用 “noindex” 元索引文件
• [NUTCH-2457] - Tika 可能无法正确解析嵌入的文档
• [NUTCH-2475] - If 和 else-if 分支的条件相同
• [NUTCH-2482] - index-geoip 不向文档字段添加空值
• [NUTCH-2585] - TrieStringMatcher 中的 NPE
• [NUTCH-2598] - URLNormalizerChecker 在输入中的无效 URL 上失败
• ……

详情见更新说明。