nutch如何修改regex-urlfilter.txt爬取符合条件的链接

例如我在爬取学生在线的时候，发现爬取不到特定的通知，例如《中粮福临门助学基金申请公告》，通过分析发现原来通知的链接被过滤掉了，下面对过滤url的配置文件regex-urlfilter.txt进行分析，以后如果需要修改可以根据自己的情况对该配置文件进行修改：

说明：配置文件中以“#”开头的行为注释，以“-" 开头的表示符合正则表达式就过滤掉，以“+”开头的表示符合正则表达式则保留。正则表达式中"^"表示字符串的开头，"$"表示字符串的结尾，"[]"表示集合。中文部分是我添加的注释

1. # Licensed to the Apache Software Foundation (ASF) under one or more
2. # contributor license agreements.  See the NOTICE file distributed with
3. # this work for additional information regarding copyright ownership.
4. # The ASF licenses this file to You under the Apache License, Version 2.0
5. # (the "License"); you may not use this file except in compliance with
6. # the License.  You may obtain a copy of the License at
7. #
8. #     http://www.apache.org/licenses/LICENSE-2.0
9. #
10. # Unless required by applicable law or agreed to in writing, software
11. # distributed under the License is distributed on an "AS IS" BASIS,
12. # WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
13. # See the License for the specific language governing permissions and
14. # limitations under the License.
15. # The default url filter.
16. # Better for whole-internet crawling.
17. # Each non-comment, non-blank line contains a regular expression
18. # prefixed by '+' or '-'.  The first matching pattern in the file
19. # determines whether a URL is included or ignored.  If no pattern
20. # matches, the URL is ignored.
21. # skip file: ftp: and mailto: urls
22. #过滤掉file：ftp等不是html协议的链接
23. -^(file|ftp|mailto):
24. # skip image and other suffixes we can't yet parse
25. #过滤掉图片等格式的链接
26. -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
27. # skip URLs containing certain characters as probable queries, etc.
28. #-[?*!@=] 过滤掉汗特殊字符的链接，因为要爬取更多的链接，所以修改过滤条件，使包含？=的链接不被过滤掉
29. -[*!@]
30. # skip URLs with slash-delimited segment that repeats 3+ times, to break loops
31. #过滤掉一些特殊格式的链接
32. -.*(/[^/]+)/[^/]+\1/[^/]+\1/
33. # accept anything else
34. #接受所有的链接，这里可以做自己的修改，是的只接受自己规定类型的链接

# Licensed to the Apache Software Foundation (ASF) under one or more
# contributor license agreements.  See the NOTICE file distributed with
# this work for additional information regarding copyright ownership.
# The ASF licenses this file to You under the Apache License, Version 2.0
# (the "License"); you may not use this file except in compliance with
# the License.  You may obtain a copy of the License at
#
#     http://www.apache.org/licenses/LICENSE-2.0
#
# Unless required by applicable law or agreed to in writing, software
# distributed under the License is distributed on an "AS IS" BASIS,
# WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
# See the License for the specific language governing permissions and
# limitations under the License.
The default url filter.
Better for whole-internet crawling.
Each non-comment, non-blank line contains a regular expression
prefixed by '+' or '-'.  The first matching pattern in the file
determines whether a URL is included or ignored.  If no pattern
matches, the URL is ignored.
skip file: ftp: and mailto: urls
过滤掉file：ftp等不是html协议的链接

-^(file|ftp|mailto):
skip image and other suffixes we can't yet parse
过滤掉图片等格式的链接

-.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
skip URLs containing certain characters as probable queries, etc.
-[?*!@=] 过滤掉汗特殊字符的链接，因为要爬取更多的链接，所以修改过滤条件，使包含？=的链接不被过滤掉

-[*!@]
skip URLs with slash-delimited segment that repeats 3+ times, to break loops
过滤掉一些特殊格式的链接

-.*(/[/]+)/[/]+\1/[^/]+\1/
accept anything else
接受所有的链接，这里可以做自己的修改，是的只接受自己规定类型的链接

原因解释：因为爬取的公告链接为（http://www.online.sdu.edu.cn/news/article.php?pid=636514943），链接中含有？和=字符，所以被过滤特殊字符的正则表达式过滤掉，通过修改regex-urlfilter.txt配置文件（如上），最终可以爬取这类公告的链接。