原著未明,仅做收藏,谅解.
一:Recrawl
nutch wiki上有现成的script,我们只需要拿来用用即可
http://wiki.apache.org/nutch/IntranetRecrawl#head-e58e25a0b9530bb6fcdfb282fd27a207fc0aff03
把它放在nutch-0.8.1/bin/recrawl.sh,执行
CODE:
martin@martinx:~/workspace/doc/nutch-0.8.1$ sudo bin/recrawl.sh ../tomcat5/webap ps/ROOT xici/ 2 . 2. 10 1 5
wiki中对参数的说明已经很详细了,没有必要再多说了。这里有个参数../tomcat5/webap你可以看到脚本中只是
CODE:
touch $tomcat_dir/WEB-INF/web.xml
让tomcat重新加载webapp,如果你没有使用tomcat,只是recrawl,你修改一下脚本,就把这个参数给去掉吧。
二:Crawl more urls and merge
我们上面只是抓取了一个xici的页面,但是我们的目标不仅仅是一个,而是一系列的,所有我们必须增加新的url进行抓取。
新增news.163.com
CODE:
mkdir url2
echo [url]http://news.163.com[/url]>url2/163
echo [url]http://news.163.com[/url]>url2/163
重新执行我们上面提到的crawl
CODE:
martin@martinx:~/workspace/doc/nutch-0.8.1$ sudo bin/nutch crawl url2 -dir 163 -depth 3 -topN 50
合并我们采用nutch wiki上的脚本 http://wiki.apache.org/nutch/MergeCrawl保存到bin/mergecrawl.sh。
CODE:
martin@martinx:~/workspace/doc/nutch-0.8.1$ bin/mergecrawl.sh newpath 163/ xici/
传递的两个参数分别是两次crawl的目录
修改tomcat目录下的classes/nutch-site.xml文件,将searcher.dir修改为新的索引目录
CODE:
perl -pi -e 's|xici|newpath|' ../tomcat5/webapps/ROOT/WEB-INF/classes/nutch-site.xml
重新加载webapp
CODE:
touch ../tomcat5/webapps/ROOT/WEB-INF/web.xml
以下是截图
这个是163的
![](http://static.flickr.com/101/268254875_c9a56e362e.jpg?v=0)
这个是xici的
![](http://static.flickr.com/83/268254877_33b766b7a0.jpg?v=0)