原文:
Nutch 2.x 与 Nutch 1.x 相比,剥离出了存储层,放到了gora中,可以使用多种数据库,例如HBase, Cassandra, MySql来存储数据了。Nutch 1.7 则是把数据直接存储在HDFS上。
1. 安装并运行HBase
为了简单起见,使用Standalone模式,参考 HBase Quick start
1.1 下载,解压
wget http://archive.apache.org/dist/hbase/hbase-0.90.4/hbase-0.90.4.tar.gz
tar zxf hbase-0.90.4.tar.gz
1.2 修改 conf/hbase-site.xml
内容如下
<configuration>
<property>
<name>hbase.rootdir</name>
<value>file:///DIRECTORY/hbase</value>
</property>
<property>
<name>hbase.zookeeper.property.dataDir</name>
<value>/DIRECTORY/zookeeper</value>
</property>
</configuration>
hbase.rootdir
目录是用来存放HBase的相关信息的,默认值是 /tmp/hbase-${user.name}/hbase
; hbase.zookeeper.property.dataDir
目录是用来存放zookeeper(HBase内置了zookeeper)的相关信息的,默认值是 /tmp/hbase-${user.name}/zookeeper
。
1.3 启动
$ ./bin/start-hbase.sh
starting Master, logging to logs/hbase-user-master-example.org.out
1.4 试用一下shell
$ ./bin/hbase shell HBase Shell; enter ‘help ’ for list of supported commands. Type “exit ” to leave the HBase Shell Version 0.90.4, r1150278, Sun Jul 24 15:53:29 PDT 2011
hbase(main):001:0>
创建一张名字为 test
的表,只有一个列,名为 cf
。为了验证创建是否成功,用list
命令查看所有的table,并用 put
命令插入一些值。
hbase(main):003:0> create 'test', 'cf'
0 row(s) in 1.2200 seconds
hbase(main):003:0> list 'test'
..
1 row(s) in 0.0550 seconds
hbase(main):004:0> put 'test', 'row1', 'cf:a', 'value1'
0 row(s) in 0.0560 seconds
hbase(main):005:0> put 'test', 'row2', 'cf:b', 'value2'
0 row(s) in 0.0370 seconds
hbase(main):006:0> put 'test', 'row3', 'cf:c', 'value3'
0 row(s) in 0.0450 seconds
用 scan
命令扫描table,验证一下刚才的插入是否成功。
hbase(main):007:0> scan 'test'
ROW COLUMN+CELL
row1 column=cf:a, timestamp=1288380727188, value=value1
row2 column=cf:b, timestamp=1288380738440, value=value2
row3 column=cf:c, timestamp=1288380747365, value=value3
3 row(s) in 0.0590 seconds
现在,disable并drop掉你的表,这会把上面的所有操作清零。
hbase(main):012:0> disable 'test'
0 row(s) in 1.0930 seconds
hbase(main):013:0> drop 'test'
0 row(s) in 0.0770 seconds
退出shell,
hbase(main):014:0> exit
1.5 停止
$ ./bin/stop-hbase.sh
stopping hbase...............
1.6 再次启动
后面运行Nutch,需要把数据存储到HBase,因此需要启动HBase。
$ ./bin/start-hbase.sh
starting Master, logging to logs/hbase-user-master-example.org.out
2 编译Nutch 2.2.1
2.1 下载,解压
wget http://www.apache.org/dyn/closer.cgi/nutch/2.2.1/apache-nutch-2.2.1-src.tar.gz
tar zxf apache-nutch-2.2.1-src.tar.gz
2.2 修改配置文件
修改 conf/nutch-site.xml
<property>
<name>storage.data.store.class</name>
<value>org.apache.gora.hbase.store.HBaseStore</value>
<description>Default class for storing data</description>
</property>
修改 ivy/ivy.xml
<!-- Uncomment this to use HBase as Gora backend. -->
<dependency org="org.apache.gora" name="gora-hbase" rev="0.3" conf="*->default" />
修改 conf/gora.properties
,确保 HBaseStore
被设置为默认的存储,
gora.datastore.default=org.apache.gora.hbase.store.HBaseStore
2.3 编译
ant runtime
刚开始会下载很多jar,需要等待一段时间。
有可能你会得到如下错误:
Trying to override old definition of task javac
[taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found.
ivy-probe-antlib:
ivy-download:
[taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found.
无所谓,不用管它。
要等一会儿才能编译结束。编译完后,多出来了 build 和 runtime两个文件夹。
第3、4、5、6步与另一篇博客 Nutch 快速入门(Nutch 1.7) 中的第3、4、5、6步骤一模一样。
3 添加种子URL
mkdir ~/urls
vim ~/urls/seed.txt
http://movie.douban.com/subject/5323968/
4 设置URL过滤规则
如果只想抓取某种类型的URL,可以在 conf/regex-urlfilter.txt
设置正则表达式,于是,只有匹配这些正则表达式的URL才会被抓取。
例如,我只想抓取豆瓣电影的数据,可以这样设置:
#注释掉这一行
# skip URLs containing certain characters as probable queries, etc.
#-[?*!@=]
# accept anything else
#注释掉这行
#+.
+^http:\/\/movie\.douban\.com\/subject\/[0-9]+\/(\?.+)?$
5 设置agent名字
conf/nutch-site.xml:
<property>
<name>http.agent.name</name>
<value>My Nutch Spider</value>
</property>
这一步是从这本书上看到的, Web Crawling and Data Mining with Apache Nutch ,第14页。
6 安装Solr
由于建索引的时候需要使用Solr,因此我们需要安装并启动一个Solr服务器。
参考 Nutch Tutorial 第4、5、6步,以及 Solr Tutorial 。
6.1 下载,解压
wget http://mirrors.cnnic.cn/apache/lucene/solr/4.6.1/solr-4.6.1.tgz tar -zxf solr-4.6.1.tgz
6.2 运行Solr
cd example
java -jar start.jar
验证是否启动成功
用浏览器打开 http://localhost:8983/solr/admin/ ,如果能看到页面,说明启动成功。
6.3 将Nutch与Solr集成在一起
将 NUTCH_DIR/conf/schema-solr4.xml
拷贝到SOLR_DIR/solr/collection1/conf/
,重命名为schema.xml,并在<fields>...</fields>
最后添加一行(具体解释见 Solr 4.2 - what is _version_field? ),
<field name="_version_" type="long" indexed="true" stored="true" multiValued="false"/>
重启Solr,
# Ctrl+C to stop Solr
java -jar start.jar
第7步和第8步也和Nutch 1.7那篇博客中的7、8步很类似。主要区别在于,Nutch 2.x的所有数据,不再以文件和目录的形式存放在硬盘上,而是存放到HBase里。
7 一步一步使用单个命令抓取网页
TODO
8 使用crawl脚本一键抓取
刚才我们是手工敲入多个命令,一个一个步骤,来完成抓取的,其实Nutch自带了一个脚本, ./bin/crawl
,把抓取的各个步骤合并成一个命令,看一下它的用法
$ ./bin/crawl
Missing seedDir : crawl <seedDir> <crawlID> <solrURL> <numberOfRounds>
注意 ,这里是 crawlId
,不再是 crawlDir
。
先删除第7节产生的数据,使用HBase shell,用 disable
删除表。
8.1 抓取网页
$ ./bin/crawl ~/urls/ TestCrawl http://localhost:8983/solr/ 2
~/urls
是存放了种子url的目录- TestCrawl 是crawlId,这会在HBase中创建一张以crawlId为前缀的表,例如TestCrawl_Webpage。
- http://localhost:8983/solr/ , 这是Solr服务器
- 2,numberOfRounds,迭代的次数
过了一会儿,屏幕上出现了一大堆url,可以看到爬虫正在抓取!
fetching http://music.douban.com/subject/25811077/ (queue crawl delay=5000ms)
fetching http://read.douban.com/ebook/1919781 (queue crawl delay=5000ms)
fetching http://www.douban.com/online/11670861/ (queue crawl delay=5000ms)
fetching http://book.douban.com/tag/绘本 (queue crawl delay=5000ms)
fetching http://movie.douban.com/tag/科幻 (queue crawl delay=5000ms)
49/50 spinwaiting/active, 56 pages, 0 errors, 0.9 1 pages/s, 332 245 kb/s, 131 URLs in 5 queues
fetching http://music.douban.com/subject/25762454/ (queue crawl delay=5000ms)
fetching http://read.douban.com/reader/ebook/1951242/ (queue crawl delay=5000ms)
fetching http://www.douban.com/mobile/read-notes (queue crawl delay=5000ms)
fetching http://book.douban.com/tag/诗歌 (queue crawl delay=5000ms)
50/50 spinwaiting/active, 61 pages, 0 errors, 0.9 1 pages/s, 334 366 kb/s, 127 URLs in 5 queues
8.2 查看结果
./bin/nutch readdb -crawlId TestCrawl -stats
也可以进HBase shell 查看,
cd ~/hbase-0.90.4
./bin/hbase shell
hbase(main):001:0> scan 'TestCrawl_webpage'
屏幕开始不断输出内容,可以用Ctrl+C 结束。
在运行scan查看表中内容时,对于列的含义不确定时可以查看 conf/gora-hbase-mapping.xml
文件,该文件定义了列族及列的含义。