确保在nutch|u site.xml属性plugin.includes | parse-（text | html | pdf）中包含|

对于pdf，没有现成的东西。nutch使用tika并尝试提取纯文本。您可以编写自己的插件（例如使用pdfbox）并尝试提取有关文档的格式信息。
请记住，pdf文件的原始内容没有多大意义。可能您可以尝试将pdf转换为html/xml，然后尝试理解其结构。可能是一个图书馆，例如：http://pdfx.cs.man.ac.uk/example 对你有意义。不做些实验是不可能知道的。
关于“内部链接”，您是指同一文档中的链接，还是指内容的pdf中指向其他文档/网页的链接？如果你指的是pdf中的内部链接，根据库的不同，你可能会这样做。
请记住，pdf不是一种容易处理的格式。tika/pdfbox项目在简化这项任务方面做了一项惊人的工作，即使投入了所有的时间/精力，也有一些边缘文件是“有问题的”。只是一个小小的警告？。