Nutch 1.4使用

网上关于nutch1.4的文章真是太少了，没有参考只好自己摸索了。

首先到apache下载nutch1.4,1.2以下的版本我是找不到了，本来还想做对比呢。如果谁有的话麻烦给发一个。邮箱anbo724@gmail.com

一、本地版本的nutch1.4使用，这里就不准备介绍了，因为我完全按照http://wiki.apache.org/nutch/NutchTutorial 就可以配置出来，这个大家自己做就好了

二、分布式版本的nutch1.4使用：

首先打开NUTCH_HOME/conf 文件夹下的nutch-site.xml文件

添加：

<property>
    <name>http.agent.name</name>
    <value>adsitnutch</value>
</property>
<property>
    <name>http.robots.agents</name>
    <value>adsitnutch,*</value>
</property>
adsitnutch值任意
用ant重新编译

下面是默认已经安装配置好Hadoop，并且已经运行hadoop集群了。

在Hadoop根目录下的conf文件夹下copy六个文件-就是安装hadoop时需要修改的那几个。

为了方便nutch使用Hadoop集群，使用hdfs用户运行nutch，如果使用其他用户连接Hadoop集群，hadoop会出现目录权限问题。
chown -R hdfs.hadoop /usr/local/branch-1.4

进入nutch根目录下的：runtime/deploy文件夹

输入命令：bin/nutch crawl hdfs://localhost:9100/user/hdfs/urls -dir crawltest -depth 10 -threads 20 -topN 100进行抓取

其中 urls保存的是爬取的起始页、 crawltest保存的是爬取的结果，里面有crawldb、segment和linkdb三个文件夹。

如果要进行特定网站的爬取，就需要进行下面的操作：

修改nutch根目录下的：conf文件夹下的regrex-urlfilter.txt：

# accept anything else
+.

修改为：

 +^http://([a-z0-9]*\.)*news.sohu.com/

urls文件变为：http://news.sohu.com/是搜狐新闻网站的主目录

bin/nutch crawl hdfs://localhost:9100/user/hdfs/urls -dir crawltest -depth 3  -topN 10

Solr使用：

Solr的安装参考：http://wiki.apache.org/nutch/NutchTutorial

主要是：

• download binary file from here

• unzip to $HOME/apache-solr-3.X, we will now refer to this as ${APACHE_SOLR_HOME}

• cd ${APACHE_SOLR_HOME}/example

• java -jar start.jar

界面地址为：

http://localhost:8983/solr/admin/
http://localhost:8983/solr/admin/stats.jsp

当然这样还不能为nutch建立索引，需要配置一下：

• cp ${NUTCH_RUNTIME_HOME}/conf/schema.xml ${APACHE_SOLR_HOME}/example/solr/conf/

• restart Solr with the command “java -jar start.jar” under ${APACHE_SOLR_HOME}/example

• run the Solr Index command:

这样就配置好solr并且与nutch关联好了，下面就是进行索引的建立了：

bin/nutch solrindex http://127.0.0.1:8983/solr/ crawltest/crawldb -linkdb crawltest/linkdb crawltest/segments/*

然后在：

http://localhost:8983/solr/admin/

就可以输入查询了：界面如下：

查询结果如下：

简单分析一下结果：

<result name="response" numFound="3" start="0">这行说明找到了三个文件与之对应：numFound="3"

每个doc标签代表了一个结果