前几天介绍了 Nutch 的基本信息 以及 如何使用 Nutch 进行 Intranet crawling。下面进行一下全网的爬行(Whole-web Crawling) 的操作测试。
Nutch 的数据包括两种类型:
- Web 数据库。包含所有Nutch可以辨别的页面,以及这些页面间的链接信息。
- 段(segment)集合. 每个 segment 是作为一个单元(unit)被获取并索引的页面集合。Segment 数据包括如下类型:
- fetchlist:指定待获取的一个页面集合的文件
- fetcher output:包含获取到的页面的文件集合
- index:fetcher 输出的 Lucene 格式的索引
注:如果发现有解释不清的地方,请参考这里,不过说实话,Nutch的文档远远不够完善,还存在很多语焉不详的地方。
创建相关的目录并创建一个空的 web 数据库:
[root@fc3 nutch]# mkdir db [root@fc3 nutch]# mkdir segments [root@fc3 nutch]# bin/nutch admin db -create run java in /u01/app/oracle/product/10.1.0/db_1/jdk/jre 050104 122933 loading file:/u01/nutch/conf/nutch-default.xml 050104 122934 loading file:/u01/nutch/conf/nutch-site.xml 050104 122934 Created webdb at db [root@fc3 nutch]# tree db db |-- dbreadlock |-- dbwritelock `-- webdb |-- linksByMD5 | |-- data | `-- index |-- linksByURL | |-- data | `-- index |-- pagesByMD5 | |-- data | `-- index `-- pagesByURL |-- data `-- index 5 directories, 10 files [root@fc3 nutch]#
接下来需要用“注射器(injector)”把网址”注入”到数据库中。Nutch 的文档中是从 DMOZ 获取一个 URL 集合,然后取一个子集进行处理。不过该文档实在是太大了。这里用了 http://rdf.dmoz.org/rdf/ 目录下的 content.example.txt 文件做测试。
[root@fc3 nutch]# bin/nutch inject db -dmozfile content.example.txt run java in /u01/app/oracle/product/10.1.0/db_1/jdk/jre 050104 123105 loading file:/u01/nutch/conf/nutch-default.xml 050104 123106 loading file:/u01/nutch/conf/nutch-site.xml 050104 123106 skew = 1251308788 050104 123106 Begin parse 050104 123106 Using URL filter: net.nutch.net.RegexURLFilter 050104 123106 found resource regex-urlfilter.txt at file:/u01/nutch/conf/regex-urlfilter.txt .050104 123106 Completed parse. Added 40 pages. ...... [root@fc3 nutch]#
还好,40 个 URL 而已。不算太多。
获取 URL
从数据库中创建 fetchlist :
[root@fc3 nutch]# bin/nutch generate db segments
segments 目录的基本信息:
[root@fc3 nutch]# tree segments segments `-- 20050104135736 `-- fetchlist |-- data `-- index 2 directories, 2 files [root@fc3 nutch]#
接下来需要把 segments 目录“20050104135736”保存到一个环境变量中,供以后使用。
[root@fc3 nutch]# s1=`ls -d segments/2* | tail -1`
运行 fetcher,获取这些 URL 信息:
[root@fc3 nutch]# bin/nutch fetch $s1
之后需要更新数据库,把获取到的页面信息存入数据库中:
[root@fc3 nutch]# bin/nutch updatedb db $s1
进行链接分析(analyze: adjust database link-analysis scoring),深度这里设定为3 ,来决定下次 fetch 操作的优先权:
[root@fc3 nutch]# bin/nutch analyze db 3
创建新的 segment ,选择分值排在前 10 的URL(一个很小的子集)来进行第二次获取:
[root@fc3 nutch]# bin/nutch generate db segments -topN 10
把新的 segments 名字存到 $s2 变量中。
[root@fc3 nutch]# s2=`ls -d segments/2* | tail -1` [root@fc3 nutch]# echo $s2 segments/20050104140654 [root@fc3 nutch]# echo $s1 segments/20050104135736 [root@fc3 nutch]# tree segments segments |-- 20050104135736 | |-- content | | |-- data | | `-- index | |-- fetcher | | |-- data | | `-- index | |-- fetchlist | | |-- data | | `-- index | |-- parse_data | | |-- data | | `-- index | `-- parse_text | |-- data | `-- index `-- 20050104140654 `-- fetchlist |-- data `-- index 8 directories, 12 files [root@fc3 nutch]#
然后依样画葫芦,进行第二次获取,更新,以及分析:
[root@fc3 nutch]# bin/nutch fetch $s2 ...... [root@fc3 nutch]# bin/nutch updatedb db $s2 ...... [root@fc3 nutch]# bin/nutch analyze db 3 ......
如法炮制,再来第三次:
[root@fc3 nutch]# bin/nutch generate db segments -topN 5 ...... [root@fc3 nutch]# s3=`ls -d segments/2* | tail -1` ...... [root@fc3 nutch]# bin/nutch fetch $s3 ...... [root@fc3 nutch]# bin/nutch updatedb db $s3 ...... [root@fc3 nutch]# bin/nutch analyze db 3 ......
创建索引并去掉重复的 URL
[root@fc3 nutch]# bin/nutch index $s1 ...... [root@fc3 nutch]# bin/nutch index $s2 ...... [root@fc3 nutch]# bin/nutch index $s3 ......
去除重复页面:
[root@fc3 nutch]# bin/nutch dedup segments dedup.tmp
配置 Tomcat
[root@fc3 nutch]# rm -rf /opt/Tomcat/webapps/ROOT* [root@fc3 nutch]# cp nutch*.war /opt/Tomcat/webapps/ROOT.war [root@fc3 nutch]# cd /opt/Tomcat/webapps/ [root@fc3 webapps]# jar xvf ROOT.war ...... [root@fc3 nutch]# ../../opt/Tomcat/bin/catalina.sh start
注意:webapp 必须要在相对路径 ./segments 找到具体数据。否则在搜索的时候会报告如下异常信息:
java.lang.NullPointerException at net.nutch.searcher.NutchBean.init(NutchBean.java:82) at net.nutch.searcher.NutchBean.>init<(NutchBean.java:68) at net.nutch.searcher.NutchBean.>init<(NutchBean.java:58) at net.nutch.searcher.NutchBean.get(NutchBean.java:50) at org.apache.jsp.search_jsp._jspService(search_jsp.java:66) at org.apache.jasper.runtime.HttpJspBase.service(HttpJspBase.java:137)
搜索测试:
其他想法
Nutch 的机器人还不如其他商业搜索引擎的那样灵活(需要“喂”给它URL)。但是比较适合一些特定应用。比如 Grassland 这样的小型特性目的的搜索引擎,可以用 Nutch + Lucene 来比较完美的实现。单独做一个收集 URL (RSS ?)信息的工具,然后 Nutch 进行处理,Lucene 来实现更为完善的全文搜索功能。希望能看到越来越多的实际项目应用到 Nutch 。
参考信息
- Nutch Wiki – http://www.nutch.org/cgi-bin/twiki/view/Main/Nutch
- 何东的 试用Nutch
- 车东的 Lucene:基于Java的全文检索引擎简介
后记:
很多朋友都遇到 Nutch 0.6 输入中文会出现乱码的问题。这个问题其实和 Nutch 关系不大,主要原因是使用 Tomcat 5.0 的问题。解决办法是修改 Tomcat 的server.xml 文件的connnector:
<Connector port="8080" maxThreads="150" minSpareThreads="25" maxSpareThreads="75" enableLookups="false" redirectPort="8443" acceptCount="100" connectionTimeout="20000" disableUploadTimeout="true" URIEncoding="UTF-8" useBodyEncodingForURI="true" />
黑色部分是需要添加的.之后乱码问题就解决了.
Google+