Nutch 笔记（一）：Quick Start

最近用到了nutch,目的是针对指定的一些网站抓取其内容，然后做分析用。 

nutch 笔记是我使用nutch过程一系列总结，写下自己的学习经过和大家一起分享，也希望能得到大家的指点  

好了，废话少说，言归正传，第一篇：Quick Start,我们的目标是快速的能跑起来，能检索出我们想要的结果。 

首先要明白nutch是什么？ 
nutch是一个基于lucene的开源搜索引擎，它包括了所有你想要的东西，是一个完整的解决方案 。 


一：安装JDK 
如果你已经安装了JDK,并且已经设置了JAVA_HOME，那么跳过这一步 
安装jdk 

Java代码  

1. sudo apt-get install sun-java5-jdk  

或者从sun公司网站下载bin文件执行安装 

设置了JAVA_HOME 

Java代码  

1. sudo vi ~/.bashrc  

在最后面增加 

Java代码  

1. export JAVA_HOME=/usr/lib/jvm/java-1.5.0-sun  
2. export PATH=$PATH:$JAVA_HOME/bin  

二：下载nutch的最新版本nutch0.8.1 

Java代码  

1. wget http://apache.justdn.org/lucene/nutch/nutch-0.8.1.tar.gz  

释放下来即可 

Java代码  

1. tar zxvf nutch-0.8.1.tar.gz  

三：抓取页面 
增加url 

Java代码  

1. cd nutch-0.8.1  
2. mkdir urls  
3. echo http://www.xici.net>>urls/xici  

编辑conf/crawl-urlfilter.txt,修改MY.DOMAIN.NAME为 

Java代码  

1. +^http://([a-z0-9]*.)*xici.net/  

修改conf/nutch-site.xml，增加http.agent.name值 

Java代码  

1. <property>  
2.    <name>http.agent.name</name>  
3.    <value>test/unique</value>  
4. </property>  

执行bin/nutch crawl开始抓取页面 

Java代码  

1. sudo bin/nutch crawl urls -dir crawl -depth 5 -topN 50&  

这个过程需要等待一些时间 

三：检索 
安装tomcat,我们使用apache网站上的包 

Java代码  

1. cd ..  
2. wget http://mirror.vmmatrix.net/apache/tomcat/tomcat-5/v5.5.20/bin/apache-tomcat-5.5.20.tar.gz  
3. tar zxvf apache-tomcat-5.5.20.tar.gz  

将nutch自带的war文件拷贝到webapps下面 

Java代码  

1. rm -rf apache-tomcat-5.5.20/webapps/ROOT*  
2. cp nutch-0.8.1/nutch*.war apache-tomcat-5.5.20/webapps/ROOT.war  

运行tomcat,如果不设定nutch-site.xml的searcher.dir的值，则需要在crawl目录下面执行 

Java代码  

1. sudo ${TOMCAT的目录}/bin/startup.sh  

我们也可以设定nutch-site.xml的searcher.dir的值 

Java代码  

1. sudo vi ${TOMCAT的目录}/webapps/ROOT/WEB-INF/classes/nutch-site.xml  

增加 

Java代码  

1. <property>  
2.   <name>searcher.dir</name>  
3.   <value>/home/martin/doc/nutch-0.8.1/crawl</value>  
4. </property>  

四:中文乱码 
修改tomcat的server.xml，在Connector的tag最后增加 

Java代码  

1. URIEncoding="UTF-8"  

五：截图 
 

----------------------- 
nutch site:http://lucene.apache.org/nutch 
nutch wiki:http://wiki.apache.org/nutch/