我一直在尝试使用"feed"作为解析器(而不是 tika.
理论上，对于每个 RSS 项目，应该在 Solr 中创建一个文档。它被创造了！但只是暂时的。
事实上，一旦索引成功完成，清理作业就会删除所有 RSS 项目。

我的猜测是在 crawlDB 中找不到 RSS 项目的 url，因此它会在 cleanjob 期间从 Solr 中删除它们。会不会是对的？

编辑：
我注意到所有条目都具有相同的"签名"，因为提取器如此决定。因此，重复数据删除将它们标记为重复，并且清理器会清理它们。

我正在尝试修改这种情况，但我不明白为什么它会以这种方式进行配置。

Nutch 中的提要插件从提要文件中生成多个文档，而不获取其中列出的 URL。我的猜测是，它将与提要页面相同的签名分配给所有子文档，正如您所指出的那样，这会导致它们被重复数据删除。

这不应该发生，显然是一个错误。您能否为它打开一个 JIRA 问题？

您可以从抓取脚本中删除重复数据删除步骤，以便将您的文档保留在索引中。

或者，您可以编写插件的修改版本，它只是从提要中提取外链接，并让 Nutch 像往常一样获取子文档。这样每个文档都将获得自己的签名，并且重复数据删除将是有意义的。

您更喜欢它的另一个原因是提要条目可能不包含子文档的整个文本/元数据。

有趣的是，我刚刚在 StormCrawler 中添加了一个用于解析提要的资源，与 Nutch 中的不同，它只是检测外链并稍后获取它们。