版本：

Nutch2.2.1

nutch/conf/gora-hbase-mapping.xml内有webpage表结构

<class name="org.apache.nutch.storage.WebPage" keyClass="java.lang.String" table="webpage"><primarykey column="id" length="512"/><field name="baseUrl" column="baseUrl" length="512"/>    <field name="status" column="status"/><field name="prevFetchTime" column="prevFetchTime"/><field name="fetchTime" column="fetchTime"/><field name="fetchInterval" column="fetchInterval"/><field name="retriesSinceFetch" column="retriesSinceFetch"/><field name="reprUrl" column="reprUrl" length="512"/><field name="content" column="content" length="65536"/><field name="contentType" column="typ" length="32"/>    <field name="protocolStatus" column="protocolStatus"/><field name="modifiedTime" column="modifiedTime"/><field name="prevModifiedTime" column="prevModifiedTime"/><field name="batchId" column="batchId" length="32"/><!-- parse fields                                       --><field name="title" column="title" length="512"/><field name="text" column="text" length="32000"/><field name="parseStatus" column="parseStatus"/><field name="signature" column="signature"/><field name="prevSignature" column="prevSignature"/><!-- score fields                                       --><field name="score" column="score"/><field name="headers" column="headers"/><field name="inlinks" column="inlinks"/><field name="outlinks" column="outlinks"/><field name="metadata" column="metadata"/><field name="markers" column="markers"/>
</class>

id

主键，根据网页url生成(格式：reversed domain name:protocol:port and path),因此，Nutch2只能保存当前网页的状态，而不能保存历史信息。

headers

标准的http headers ，其中包含非打印字符。Last-Modified　等信息可能于判断网页是否需要更新(仅需发一个head请求，而不是下载整个网页)

text

合并了解析出来的所有文本字段(utf-8)，用于普通的检索，不过现在检索一般使用solr，所以这个字段意义不大。

status

记录抓取状态

markers

各个任务的标记（如：dist***injmrk_***updmrk_***ftcmrk_***gnmrk_***prsmrk_**）

parseStatus

parse状态，在执行parseJob之前都是NULL。 ParseStatusCodes.html

modifiedTime

最后更改时间

score

网页重要程度(PR)，Nutch2.2.1 使用的是OPIC算法

typ

类型（如application/xhtml+xml）

batchId

批次ID，由generate生成( (curTime/1000) + "-" +randomSeed )， fetch时可选择特定batchId的任务

baseUrl

用于将网页源码中相对链接地址的转为绝对地址，通常就是当前网页的地址，有重定向的情况下，是最终定向到的地址

content

完整的网页源码，未经任何处理(字符集也没转)。　

title

title标签里的内容 (已转utf-8编码)

reprUrl

重定向url，将在下一轮抓取，不会立即跟入

fetchInterval

抓取间隔，默认是2592000(30天)

prevFetchTime

上次抓取时间

inlinks

入链(url+linktext)

prevSignature

上次更新时网页签名

outlinks

出链(url+linktext)

fetchTime

下次抓取时间，通常是间隔一个月

retriesSinceFetch

重试次数

protocolStatus

signature

网页签名，用于判断网页是否改变，默认的实现是:org.apache.nutch.crawl.MD5Signature ，采用content的MD5值，另一个方案是org.apache.nutch.crawl.TextProfileSignature，content抽取文本、分词、排序等一系列操作后计算MD5值 TextProfileSignature

metadata

自定义元数据，可以在种子文件里面加，例如：　"http://xxxx/xxx.html \t type=news"

转载地址：http://blog.csdn.net/itufo/article/details/20535539