Nutch2.1+mysql+solr3.6.1+中文网站抓取

1、mysql 数据库配置
    linux mysql安装步骤省略。
    创建数据库与表

   

 CREATE DATABASE nutch DEFAULT CHARACTER SET utf8 DEFAULT COLLATE utf8_general_ci;

    CREATE TABLE `webpage` (

        `id` varchar(767) CHARACTER SET latin1 NOT NULL,

        `headers` blob,

        `text` mediumtext DEFAULT NULL,

        `status` int(11) DEFAULT NULL,

        `markers` blob,

        `parseStatus` blob,

        `modifiedTime` bigint(20) DEFAULT NULL,

        `score` float DEFAULT NULL,

        `typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,

        `baseUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,

        `content` mediumblob,

        `title` varchar(2048) DEFAULT NULL,

        `reprUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,

        `fetchInterval` int(11) DEFAULT NULL,

        `prevFetchTime` bigint(20) DEFAULT NULL,

        `inlinks` mediumblob,

        `prevSignature` blob,

        `outlinks` mediumblob,

        `fetchTime` bigint(20) DEFAULT NULL,

        `retriesSinceFetch` int(11) DEFAULT NULL,

        `protocolStatus` blob,

        `signature` blob,

        `metadata` blob,

        PRIMARY KEY (`id`)

    ) ENGINE=InnoDB DEFAULT CHARSET=utf8; 


2、安装nutch2.1
A、 nutch下载地址:http://apache.etoak.com/nutch/2.1/apache-nutch-2.1-src.zip
    下载完成后家压缩,
B、以下将nutch的根目录定位${APACHE_NUTCH_HOME}.
C、配置nutch对mysql的支持,修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件
    将这行的注释取消<dependency org=”mysql” name=”mysql-connector-java” rev=”5.1.18″ conf=”*->default”/>
    修改${APACHE_NUTCH_HOME}/conf/gora.properties文件,
        注释默认存储配置

 ###############################

    # Default SqlStore properties #
    ###############################
    #gora.sqlstore.jdbc.driver=org.hsqldb.jdbc.JDBCDriver
    #gora.sqlstore.jdbc.url=jdbc:hsqldb:hsql://localhost/nutchtest
    #gora.sqlstore.jdbc.user=sa
    #gora.sqlstore.jdbc.password=

        取消以下代码注释,

    ###############################
    # MySQL properties           
     ################################

    gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver

    gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true

    gora.sqlstore.jdbc.user=xxxxx(mysql用户名)

    gora.sqlstore.jdbc.password=xxxxx(mysql密码)



       D、修改${APACHE_NUTCH_HOME}/conf/nutch-site.xml 加入如下代码:

    <property>

    <name>http.agent.name</name>

    <value>Your Nutch Spider</value>

    </property>

    <property>

    <name>http.accept.language</name>

    <value>ja-jp, en-us,en-gb,en;q=0.7,*;q=0.3</value>

    <description>Value of the “Accept-Language” request header field.

    This allows selecting non-English language as default one to retrieve.

    It is a useful setting for search engines build for certain national group.

    </description>

    </property>

    <property>

    <name>parser.character.encoding.default</name>

    <value>utf-8</value>

    <description>The character encoding to fall back to when no other information

    is available</description>

    </property>

    <property>

    <name>storage.data.store.class</name>

    <value>org.apache.gora.sql.store.SqlStore</value>

    <description>The Gora DataStore class for storing and retrieving data.

    Currently the following stores are available: ….

    </description>

    </property>


E、使用ant编译  ${APACHE_NUTCH_HOME} 。

F、设置待抓取的网站
    cd ${APACHE_NUTCH_HOME}/runtime/local
    mkdir -p urls
    echo 'http://nutch.apache.org/' > urls/seed.txt
G、执行爬行操作: bin/nutch crawl urls -depth 3 -topN 5
    执行完在mysql中即可以查看到爬虫抓取的内容

3、安装solr,对nutch抓取的内容进行索引
    (注意:参考资料中推荐使用solr4.0版本,4.0的两个版本我都试了,没有成功,所以替换为3.6.1版本)

    A、解压缩下载包,
    C、启动solr 
        cd ${APACHE_SOLR_HOME}/example

    java -jar start.jar

    D、在浏览器输入地址http://localhost:8983/solr  测试是否启动成功。

        E、另起linux终端,输入如下命令,使solr对nutch抓取内容进行索引。

            cd ${APACHE_NUTCH_HOME}/runtime/local/

      bin/nutch solrindex http://127.0.0.1:8983/solr/ -reindex

4、测试
    在浏览器输入   http://localhost:8983/solr  ,看到如下界面:


在文本框中输入 content:nutch 点击查询,便可查处内容中包含nutch关键字的网页
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值