[wordpress搬家]nutch的二三事 — 數據清洗

[2013.12.27] css 好吧……這篇文章與nutch有關係也沒有關係。html 在nutch把數據放入數據庫之後，由於是非結構化的，因此咱們還須要從中提取咱們須要的數據，這時就須要清洗數據了。java 本身寫一個小程序是頗有用的，Ade這裏用的方法是遠程jdbc連接數據庫，獲取webpage中的content字段，而後使用jsoup提取數據。node 選用jsoup的緣由是content

>>阅读原文<<