运行调试nutch的问题处理及注意事项

导入nutch项目时其conf文件下的所有配置文件需要加入到classPath中

右键conf――>Build PathàUse as Source Folder

在运行时如发生异常：x point org.apache.nutch.net.URLNormalizer not found.

注：这是配置造成的，是插件目录的配置没有正确，修改conf/nutch-default.xml文件
<property>
            <name>plugin.folders</name>
<value>./src/plugin</value><!—修改部分-->
...

在运行时如发生异常：Fetcher: No agents listed in 'http.agent.name' property.

检查conf配置目录中的nutch-default.xml和nutch-site.xml文件中是否存在键：http.agent.name，
或存在键：http.agent.name，但其值为空，一定要定义此键值，值可以任意,自已想名字吧。如：
<property> 
    <name>http.agent.name</name> 
    <value>nutch16</value> 
</property>

//添加想抓取的URL

1、建立待扫描的文件夹，然后在其中新建一个文件(文件名不限)，在该文件中写入想抓取的网站URL，每行一个，如：http://www.163.com/

2、conf/crawl-urlfilter.txt

    #accept hosts in MY.DOMAIN.NAME

+^http://([a-z0-9]*\.)*163.com/      ---写入想抓取的网站正则表达式

然后即可在eclipse中进行调试或使用nutch进行爬行

进入nutch目录

$ sh ./bin/nutch crawl urls -dir mydir -depth 2 -threads 4 -topN 50

crawl：通知nutch.jar，执行crawl的main方法。

urls：存放需要爬行的url.txt文件的目录

-dir mydir 爬行后文件保存的位置

-depth 2：爬行次数，或者成为深度，不过还是觉得次数更贴切，建议测试时改为1。

-threads 指定并发的进程 这是设定为 4
-topN 50：一个网站保存的最大页面数。

注意爬网的时候mydir目录不能存在，要不然会出错