inject -> generate -> fetch -> parse -> updatedb
第一个流程为把链接地址注入数据库
其对应的java 类为 org.apache.nutch.crawl.Injector
实践
./bin/nutch inject data3/crawldb urls/
第二 生成segment。Nutch抓取程序需要抓取到很多的页面，那么具体是哪些页面的？当然，在互联网上是通过URL来定位的。 这一步骤主要是对上一步提交的URL集合进行分析，确定抓取任务的详细信息。
org.apache.nutch.crawl.Generator
./bin/nutch generate data3/crawldb/ data3/segments
第三 分析提交的URL集合之后，将页面内容抓取下来，存于segment目录下。
org.apache.nutch.fetcher.Fetcher
./bin/nutch fetch data3/segments/20130529160808/
第四 内容解析器。抓取到的页面文件被提交到这里，实现对页面文件的处理，包括页面文件的分析和处理。
org.apache.nutch.parse.ParseSegment
./bin/nutch parse data3/segments/20130529160808/
第五 更新数据库
org.apache.nutch.crawl.CrawlDb
./bin/nutch updatedb data3/crawldb/ -dir data3/segments/
图片来自于 杨尙川的 视频截图
http://yangshangchuan.iteye.com/blog/1837935
其抓取过程的一些解释 参考于
http://blog.csdn.net/cdl2008sky/article/details/7041411
