Nutch解析HTML5头标记
问题描述：
我想解析使用Nutch 1.2的HTML5页面，并遇到索引中包含HTML5标记'头部'的问题。Nutch解析HTML5头标记
我曾用'parser.html.divIDsToExclude'排除HTML4标头，但这将不再符合我的要求。
是否有类似的插件，它可以排除配置HTML5标签
谢谢！
答
我已经在Nutch 1.6中成功地使用了这个插件。
我也有相反的要求，我想只包括特定的股利。 :)
使用此插件，您可以使用XPath查询来配置要提取的HTML文档的哪些部分。