问题描述
我已经成功使用Nutch抓取了一个网站,现在我想根据结果创建一个warc。但是,同时运行warc和commoncrawldump命令都会失败。此外,在同一段文件夹上运行bin/nutch dump -segement ....
可以成功运行。
我正在使用nutch v-1.17并运行:
bin/nutch commoncrawldump -outputDir output/ -segment crawl/segments
hadoop.log中的错误是ERROR tools.CommonCrawlDataDumper - No segment directories found in my/path/
尽管刚刚在那儿爬行了。
解决方法
segments文件夹内是来自先前爬网的,引发错误的段。他们不包含所有细分受众群数据,因为我认为抓取工作已提前取消/完成。这导致整个过程失败。删除所有这些文件并重新开始即可解决此问题。