pwlazy的专栏

与时俱进，开拓创新

原创 windows下nutch0.8初探收藏

 前一段时间试了一下nutch0.8没成功，然后尝试nutch-0.7.x都很顺利搞定，起初以为0.8有问题，但后来一些网友告诉我0.8没问题，我重新再试，好了，我来说说其中要注意的问题，以免新手走弯路。

我在windwos下开发，也懒得下载cygwin,把那个shell脚本改成了ant,点击ant就可以达到效果，脚本如下：
<project name="nutch-crawl" default="crawl" basedir=".">
    
    
    <property name="lib.dir"  location="lib"/>
    <property name="conf.dir"  location="conf"/>
    <property name="urls.dir"  location="urls"/>
    

    
    <path id="project.classpath">
   
        <fileset dir="${lib.dir}" />
        <pathelement path="${conf.dir}"/>
        <fileset dir="." includes="nutch-*.jar"/>
        
    </path>
    
    
    <target name="crawl" >
        <echo>crwaling starting...</echo>
        <property name="JVM.extra.args" value="-Xmx1000m" />
        <java classname="org.apache.nutch.crawl.Crawl" classpathref="project.classpath" fork="true">
            <jvmarg line="${JVM.extra.args}"/>
            <arg value="${urls.dir}"/>
            <arg value="-dir"/>
            <arg value="e:/xxcrawled20"/>
            <arg value="-depth"/>
            <arg value="2"/>
            <arg value="-threads"/>
            <arg value="10"/>
        </java>
        <echo>crwaling finished...</echo>
    </target>
    
</project>


应该注意2点
1）增加一个目录urls，放入一个文件，文件内容填上你要爬的url
2）修改nutch-site.xml，覆盖http.agent.name属性，一定要填入值


还有一点，如果你使用上面的ant脚本，你必须注意类路径的顺序， <pathelement path="${conf.dir}"/>必须位于
        <fileset dir="." includes="nutch-*.jar"/>之前。否则jar中的那个空的nutch-site.xml会取代conf目录下你修改好的nutch-site.xml

至于搜索这个部分没什么好说的
在nutch-site.xml中加入：
<property>
        <name>searcher.dir</name>
        <value>E:\xxcrawled2</value>
</property>

value部分填入你crwal时设置的目录

发表于 @ 2006年08月23日 23:49:00|评论(loading...)

新一篇: 使用lucene的多字段排序--回复网友BUFFON | 旧一篇: windows下架设subversion服务器
Csdn Blog version 3.1a
Copyright © pwlazy