Nutch2.2.1的配置（使用MySQL作为数据存储）

首先先从http://www.apache.org/dyn/closer.cgi/nutch/下载安装包

这里假定nutch的根目录为：${APACHE_NUTCH_HOME}

配置${APACHE_NUTCH_HOME}/ivy/ivy.xml，确保Nutch使用MySQL作为数据存储

将

[html]  view plain  copy

1. <dependency org="org.apache.gora" name="gora-core" rev="0.3" conf="*->default"/>  

改成

[html]  view plain  copy

1. <dependency org="org.apache.gora" name="gora-core" rev="0.2.1" conf="*->default"/>  

取消以下行的注释

[html]  view plain  copy

1. <dependency org="org.apache.gora" name="gora-sql" rev="0.1.1-incubating" conf="*->default" />  

取消以下的行注释使用Mysql作为gora存储

[html]  view plain  copy

1. <!-- Uncomment this to use MySQL as database with SQL as Gora store. -->  
2. <dependency org="mysql" name="mysql-connector-java" rev="5.1.18" conf="*->default"/>  

编辑${APACHE_NUTCH_HOME}/conf/gora.properties 

添加以下代码激活MySQL的配置，

连接串url?后的参数中不指定字符集为utf8（characterEncoding=utf8）,因为数据库表为utf8mb4，配置中不支持，若配置characterEncoding=utf8则会报错，若自动建表也可能出现字符集存储中文报错等问题，

导致错误情况详见：Nutch抓取错误java.sql.BatchUpdateException: Incorrect string value: '\xF2\xA3\xAC\xB7\xEF\xBF

最好手动建表，具体数据配置和建表过程详见： Nutch之MySQL数据库的配置

[html]  view plain  copy

1. ###############################  
2. # MySQL properties #  
3. ###############################  
4. gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver  
5. gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true  
6. gora.sqlstore.jdbc.user=xxxxx  
7. gora.sqlstore.jdbc.password=xxxxx  

编辑 ${APACHE_NUTCH_HOME}/conf/gora-sql-mapping.xml ，将主键的长度由512改成767

[html]  view plain  copy

1. <primarykey column="id" length="767"/>  

配置${APACHE_NUTCH_HOME}/conf/nutch-site.xml 

在 http.agent.name字段下增加一个名字，可以是任意值但不能为空！  如果需要的话可以添加额外的语言（例如en为英语），同时也可以设置默认编码格式为utf-8

[html]  view plain  copy

1. <property>  
2. <name>http.agent.name</name>  
3. <value>YourNutchSpider</value>  
4. </property>  
5.   
6. <property>  
7. <name>http.accept.language</name>  
8. <value>ja-jp, en-us,en-gb,en;q=0.7,*;q=0.3</value>  
9. <description>Value of the "Accept-Language" request header field.  
10. This allows selecting non-English language as default one to retrieve.  
11. It is a useful setting for search engines build for certain national group.  
12. </description>  
13. </property>  
14.   
15. <property>  
16. <name>parser.character.encoding.default</name>  
17. <value>utf-8</value>  
18. <description>The character encoding to fall back to when no other information  
19. is available</description>  
20. </property>  
21.   
22. <property>  
23. <name>storage.data.store.class</name>  
24. <value>org.apache.gora.sql.store.SqlStore</value>  
25. <description>The Gora DataStore class for storing and retrieving data.  
26. Currently the following stores are available: ....  
27. </description>  
28. </property>  

在命令行下输入 sudo apt-get install ant 安装配置ant

在命令行界面使用cd切换到nutch的根目录

可以在终端中输入以下指令开始你的第一个爬虫工作



[html]  view plain  copy

1. cd ${APACHE_NUTCH_HOME}/runtime/local  
2. mkdir -p urls  
3. echo 'http://nutch.apache.org/' > urls/seed.txt  

Nutch 2.2使用以下命令开始爬虫，设置线程数为30

[html]  view plain  copy

1. bin/nutch crawl urls -threads 30  

要查看爬取的数据时，进入数据库中输入以下指令即可查看

mysql -u xxxxx -p
use nutch;
SELECT * FROM nutch.webpage;

翻译源：http://wiki.apache.org/nutch/#Nutch_2.X_tutorial.28s.29