Nutch 使用总结

 Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫。

 Nutch使用方法简介： http://blog.csdn.net/pengpengfly/archive/2008/09/29/2994664.aspx

nutch1.2 eclipse tomcat6.0 配置 :http://hi.baidu.com/oliverwinner/blog/item/4be3f1370284b32f5ab5f565.html

Nutch 实战：介绍了开源搜索引擎 Nutch 的基本信息，详细说明了在 Eclispe 下运行 Nutch 的步骤和需要注意的问题，还分析了部分源代码。很好的文章

Nutch 目录结构

bin：用于命令行运行的文件；

conf：Nutch的配置文件

lib：一些运行所需要的jar文件；

plugins：存放相应的插件；

src：Nutch的所有源文件；

webapps：web运行相关文件；

nutch-0.9.war是 Nutch所提供的基于Tomcat的应用程序包。

Nutch工作流程

1. 将起始 URL 集合注入到 Nutch 系统之中。

2. 生成片段文件，其中包含了将要抓取的 URL 地址。

3. 根据URL地址在互联网上抓取相应的内容。

4. 解析所抓取到的网页，并分析其中的文本和数据。

5. 根据新抓取的网页中的URL集合来更新起始URL集合，并再次进行抓取。

6. 同时，对抓取到的网页内容建立索引，生成索引文件存放在系统之中。

 

（1）准备需要的软件列表
        Cygwin     (下载地址:http://www.cygwin.com/setup.exe)
        Jdk(1.4.2以上版本，下载地址http://www.oracle.com/technetwork/java/javase/downloads/jdk-6u29-download-513648.html）
        Nutch(推荐使用0.9版本，下载地址http://www.apache.org/dyn/closer.cgi/lucene/nutch/）
        Tomcat(下载地址http://tomcat.apache.org/)

（2）安装软件
     1)  Cygwin 打开安装程序Cygwin.exe后，在"Choose Installation Type"页选择 "Install from Internet"（如果你已经把全部安装包下载到本地，就可以选择"Install from local directory"选项)。然后点击"Next".
          然后选择安装目录，其他可保持默认选项，点击"Next".
          选择保存安装包的本地目录，点击"Next".
          选择下载连接的类型，点击Next。
          然后通过服务器先下在需要安装的包列表，改为install比较合适，默认为default安装不全
          完成安装。

          图文讲解
     2) 安装JDK ，注意安装完成后需要在Windows的环境变量中加入JAVA_HOME=你的jdk的安装目录
     3) 安装Tomcat，下载安装版。

     4)把Nutch解压到本地目录，例如D:/nutch。启动Cygwin程序，Cygwin程序会启动一个模拟Unix/Linux的终端窗口，然后使用方式就和Unix的Shell一样了，Cygwin的根目录是/cygdriver，这个目录相当于Windows的“我的电脑”，然后进入Nutch的目录，例如：cd /cygdriver/d/nutch，然后运行bin/nutch命令，如果出现下面的Usage 信息，这样Nutch就安装完成了，非常简单。

     注意cygwin路径的切换方法：

     命令：cd d:/nutch

（3）使用Nutch

Nutch  的爬虫有两种方式
•  爬行企业内部网(Intranet crawling)。针对少数网站进行，用 crawl 命令。  
•  爬行整个互联网。  使用低层的 inject, generate, fetch 和 updatedb 命令，具有更强的可控制性。 

      1) 添加需要爬行的内部网地址信息。
         新建一个目录，写入一些网址信息，例如我们需要爬行csdn的内部网