nutch1.0 在windows环境下的安装与使用

原创 2012年03月28日 15:30:33

步骤:

1、下载资源

2、安装过程

3、抓取过程

4、部署过程

5、检测过程

进入正题:

1、下载资源:

cygwin:http://cygwin.com/install.html,setup.exe

nutch-0.9:http://115.com/file/behqez1a (太难找了)

nutch-1.0:http://115.com/file/anq4fh8t

nutch-1.2:http://115.com/file/dpny2r6s

nutch-1.4:http://labs.renren.com/apache-mirror/nutch/

相信使用nutch的人都已经装了jdk、tomcat。

2、安装过程:

cygwin安装:

http://apps.hi.baidu.com/share/detail/30458811,全部安装后,9.4G,准备好足够的空间

nutch的安装:(1.3一下版本,1.3以上请看:http://hi.baidu.com/haininghacker/blog/item/dd91173c08e882d89f3d6285.html#0

主要是配置,将刚才的下载gz包解压到某个地方,如g:\nutch-1.0

A) nutch-1.0下建一个logs文件夹,目的是为了爬的时候记录日志到其中

B) nutch-1.0下建一个crawled文件夹,目的是爬到的页面建索引到这个目录,至关重要!

C) nutch-1.0下新建一个txt,放入网址,如http://www.apache.org/,取名urls.txt。[注意:网址最后一个/必须要,否则会不抓网页],如有多个网址用换行隔开就行

D) nutch-1.0》conf下crawl-urlfilter.txt,修改倒数第三行和第四行,如

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*apache.org/

可以再在下面加其他的网址,当然最简单就是+^http://([a-z0-9]*\.)*就行了

这里需要注意一点,如果需要抓动态网页,还需要修改其中的一行,具体详见:http://www.blogjava.net/kxx129/archive/2010/04/24/319280.html

E) nutch-1.0》conf下nutch-site.xml,<configuration></configuration>中加入:

<property>
          <name>http.agent.name</name>
          <value>myfirsttest</value>《=================================必填项,否则会搜索无结果。copy后注意要删除这条注释
          <description></description>
</property>

        <property>
          <name>http.agent.description</name>
          <value>myfirsttest</value>
          <description></description>
        </property>

        <property>
          <name>http.agent.url</name>
          <value>myfirsttest.com</value>
          <description></description>
        </property>

        <property>
          <name>http.agent.email</name>
          <value>test@test.com</value>
          <description></description>
        </property>
  <property>

  <name>searcher.dir</name>

  <value>G:\nutch-1.0\crawled</value>《=================================指向crawled文件夹的路径。copy后注意要删除这条注释

  <description></description>

</property>

<property>

 <name>fetcher.max.crawl.delay</name>

 <value>30</value>>《=================================页面有效期30天。copy后注意要删除这条注释

 <description></description>

</property>

3、抓取过程:

命令 bin/nutch crawl urls -dir crawled -threads 5 -depth 100 -topN 1000000 >& logs/crawl.log

通过cygwin来实现抓取,每次进入cygwin后,需要输入export LANG="zh_CN.GBK",否则抓取时会报IOException, job Faild  的异常。详情:http://wenku.baidu.com/view/70968e4cf7ec4afe04a1df56.html?from=related&hasrec=1

及时测试,如

bin/nutch org.apache.nutch.searcher.NutchBean apache

注:nutch命令详解http://hi.baidu.com/867862605/blog/item/bf65f51898460105403417c0.html

4、部署过程

将nutch-1.0下的war包拖到tomcat下的webapp下。运行tomcat,会将war包解压成nutch-1.0

在此nutch-1.0下修改一个文件:WEB-INF>>classes>>nutch-site.xml

<configuration></configuration>中加入:
<property>
  <name>searcher.dir</name>
  <value>G:\nutch-1.0\crawled</value>《=====================================一样啊
  <description></description>
</property>
再来修改tomcat的server.xml,用来处理中文乱码的。刚才的链接里面有介绍:http://wenku.baidu.com/view/70968e4cf7ec4afe04a1df56.html?from=related&hasrec=1

5、检测过程

这个最简单,就是测试你的nutch了。在http://localhost:8080/nutch-1.0/下输入关键字,看是否有记录,没有就需要好好检查了。

如果你比较细心,就会发现其实nutch的分页做得不好,处理方法请看:http://blog.csdn.net/spring123tt/article/details/7402097

windows XP下nutch-1.0搜索引擎环境搭建

“开始先吐槽一下,弄了几天,终于在昨天找出错误原因了,写下博文记录之。”     由于工程实践选题是关于搜索引擎的,先用nutch搭建个搜索引擎玩一玩,没想到一玩就是好几天,归正题。 1.下载JD...
  • ustcqi
  • ustcqi
  • 2012年10月13日 10:54
  • 480

Windows环境下Android Studio v1.0安装教程

Windows环境下Android Studio v1.0安装教程 准备工具 JDK安装包。 要求:JDK 7以及以上版本。Android Studio安装文件。 说明: 1. 32位系统和64位...

【AS】Windows环境下Android Studio v1.0安装教程

准备工具 JDK安装包。 要求:JDK 7以及以上版本。Android Studio安装文件。 Windows: exe(包含SDK) (813 MB) exe(不包含SDK) (250 MB) ...
  • yybj
  • yybj
  • 2015年11月14日 21:11
  • 237

ubuntu下nutch-1.0的安装和配置错误排除

一、安装JDK(笔者推荐使用原生的方式安装SUN-JDK6(这个方面的安装指导和错误排除可以看http://blog.163.com/sukerl@126/blog/static/1120276492...

nutch安装开发环境的配置

  • 2013年03月27日 13:38
  • 62KB
  • 下载

nutch环境配置在windows系统上(借助Cygwin)

nutch环境配置在windows系统上必须要安装【Cygwin】。cygwin是一个在windows平台上运行的unix模拟环境。 一、安装jdk Jdk版本为1.6, 下载地址: http:...
  • ljl_xyf
  • ljl_xyf
  • 2011年11月16日 11:09
  • 512

Windows7环境下MyEclipse+Nutch2.2.1+Mysql搭建

一、环境准备 首先肯定是配置开发环境,这里暂时不作详细描述。 需要的环境有jdk1.7,MyEclipse,SVN,ant,以及MyEclipse下的两个插件subclipse 和IvyDe,下载...
  • cvj1991
  • cvj1991
  • 2014年08月07日 18:01
  • 436

信息检索大作业:在Windows XP上搭建 nutch-0.9 搜索引擎环境

零、软件资源 1 cygwin 2 jdk1.6.0_10 3 nutch-0.9 4 Tomcat 自行寻找下载 http://download.csdn.net/detail/...

Nutch1.2+tomcat7windows环境搭建

安装前提     cygwin  在windows 环境中 安装成功 安装说明 解压到 apache-nutch-1.2-bin.zip 到 C:\cygwin\目录下 运行cygw...
内容举报
返回顶部
收藏助手
不良信息举报
您举报文章:nutch1.0 在windows环境下的安装与使用
举报原因:
原因补充:

(最多只允许输入30个字)