请问为什么我用Nutch爬取不到百度百科和百度文库里面的内容？

Question

经过设置我只能获取到百度百科和百度文库首页的一些页面，可是我想爬取这两个网站内部的页面，请问该如何配置？有没有人有成功的先例？
比如如果想要爬取百度文库里面的页面crawl-urlfilter.txt里面的正则表达式改如何编写？
多谢指教！

Answer 1

nutch1.2在crawl-urlfilter.txt设置站点，1.2以上的版本要在regex-urlfilter.txt中配置。
具体是在accept hosts in MY.DOMAIN.NAME下设置要爬取的站点.
例如：

accept hosts in MY.DOMAIN.NAME

+^http://([a-z0-9]*.)*baidu.com/

在nutch目录下建个urls文件夹，里面建个baidu.txt文件，里面把要爬取的Url放进去。
http://wenku.baidu.com/
然后运行 bin/nutch crawl urls/baidu.txt -dir baidu/wenku -threads 4 -depth 2 -topN 30