[
https://issues.apache.org/jira/browse/NUTCH-1530?page=com.atlassian.jira.plugin.system.issuetabpanels:comment-tabpanel&focusedCommentId=13577094#comment-13577094
]
Roland edited comment on NUTCH-1530 at 2/12/13 10:13 PM:
---------------------------------------------------------
Ok, here it is:
get f['de.spiegel.www:http/'];
{code}
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1" />
[...]
<meta name="description" content="Deutschlands f�hrende Nachrichtenseite. Alles
Wichtige aus Politik, Wirtschaft, Sport, Kultur, Wissenschaft, Technik und
mehr." />
[...]
Reaktionen auf Papst-R�cktritt
{code}
get sc['de.spiegel.www:http/'];
{code}
=> (super_column=h,
(column=Cache-Control, value=max-age=120, timestamp=1360703830403000)
(column=Connection, value=close, timestamp=1360703830404004)
(column=Content-Encoding, value=gzip, timestamp=1360703830404000)
(column=Content-Type, value=text/html;charset=ISO-8859-1,
timestamp=1360703830404006)
[...]
{code}
get p['de.spiegel.www:http/'];
{code}
[default@webpage] get p['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 Sta...
{code}
You're right, seems to be a problem with ISO charsets. (Looks like ISO-8859
treated as UTF-8 and saved again)
--Roland
was (Author: rherget):
Ok, here it is:
get f['de.spiegel.www:http/'];
{code}
<meta http-equiv="Content-Type" content="text/html; charset=iso-8859-1" />
[...]
<meta name="description" content="Deutschlands f�hrende Nachrichtenseite. Alles
Wichtige aus Politik, Wirtschaft, Sport, Kultur, Wissenschaft, Technik und
mehr." />
[...]
Reaktionen auf Papst-R�cktritt
{code}
get sc['de.spiegel.www:http/'];
{code}
=> (super_column=h,
(column=Cache-Control, value=max-age=120, timestamp=1360703830403000)
(column=Connection, value=close, timestamp=1360703830404004)
(column=Content-Encoding, value=gzip, timestamp=1360703830404000)
(column=Content-Type, value=text/html;charset=ISO-8859-1,
timestamp=1360703830404006)
[...]
{code}
get p['de.spiegel.www:http/'];
{code}
[default@webpage] get p['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 Sta...
{code}
You're right, seems to be a problem with ISO charsets.
--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