[
https://issues.apache.org/jira/browse/NUTCH-1530?page=com.atlassian.jira.plugin.system.issuetabpanels:comment-tabpanel&focusedCommentId=13576898#comment-13576898
]
Roland commented on NUTCH-1530:
-------------------------------
Hi Edward,
there must be another factor causing this, because I'm running nutch &
cassandra (via separate inject - generate - fetch - parse cycle) for german
sites and it works well.
e.g. kleinanzeigen.ebay.de:
=> (column=c, value=Einbauküche sehr gut und günstig in Nordrhein-Westfalen -
Emsdetten | eBay Kleinanzeigen Kostenlos. Einfach. Lokal. Meine Kleinanzeigen
Anzeige aufgeben Merkliste eBay Suchen GRATIS Anzeige aufgeben Was In Allen
Kategorien Wo + 0 km + 5 km + 10 km + 20 km + 50 km + 100 km + 200 km Finden
Beliebte Suchen: Ihc | Chihuahua | Vespa | Ipad | Anhänger |
Abendkleid Kleinanzeigen > Haus & Garten > Küche & Esszimmer Leider gibt es
diese Anzeige nicht mehr: Einbauküche sehr gut und günstig Hier gibt es eine
Küche im guten Zustand. Es sind leider nicht mehr all...
[this is nutch 2.1 & cassandra 1.2.1]
--Roland
> Umlauts (üäö) garbled when fetch and parse in separate calls (OK when
> fetcher.parse is true)
> --------------------------------------------------------------------------------------------
>
> Key: NUTCH-1530
> URL: https://issues.apache.org/jira/browse/NUTCH-1530
> Project: Nutch
> Issue Type: Bug
> Components: parser
> Affects Versions: 2.1
> Environment: Using Cassandra-1.2.1 as data store.
> Reporter: Edward Ackroyd
>
> When crawling http://www.spiegel.de (popular German news site) in separate
> fetch and parse calls (nutch fetch, then nutch parse, fetcher.parse=false)
> this lands in Cassandra (umlauts all garbled, for example '�' instead of
> 'ö'):
> [default@webpage] list p;
> RowKey: de.spiegel.www:http/
> => (column=c, value=SPIEGEL ONLINE - Nachrichten Schlagzeilen Hilfe RSS
> Newsletter Mobil Wetter TV-Programm Dienstag, 12. Februar 2013 SPIEGEL ONLINE
> NACHRICHTEN Home Politik Deutschland Ausland Wirtschaft B�rse Verbraucher
> & Service Unternehmen & M�rkte Staat & Soziales Jobsuche Immowelt
> Panorama Justiz Leute Gesellschaft Partnersuche Eurojackpot Tarifvergleiche
> Sport Wintersport Fu�ball Bundesliga...
> However, when fetcher.parse=true and the fetch call does the parsing, the
> correct umlauts land in Cassandra:
> [default@webpage] list p;
> RowKey: de.spiegel.www:http/
> => (column=c, value=SPIEGEL ONLINE - Nachrichten Schlagzeilen Hilfe RSS
> Newsletter Mobil Wetter TV-Programm Dienstag, 12. Februar 2013 SPIEGEL ONLINE
> NACHRICHTEN Home Politik Deutschland Ausland Wirtschaft Börse Verbraucher &
> Service Unternehmen & Märkte Staat & Soziales Jobsuche Immowelt Panorama
> Justiz Leute Gesellschaft Partnersuche Eurojackpot Tarifvergleiche Sport
> Wintersport Fußball Bundesliga...
> Seems the content is over-encoded when fetching/parsing in separate calls.
--
This message is automatically generated by JIRA.
If you think it was sent incorrectly, please contact your JIRA administrators
For more information on JIRA, see: http://www.atlassian.com/software/jira
