Nutch 2.x在MyEclipse中爬取数据到MySQL和Solr

下面的教程主要来源于Wilco的Windows7环境下MyEclipse+Nutch2.2.1+Mysql搭建

但是教程中有些地方不对，下面是更正后的，另外加了如何配置爬取数据到Solr的部分。

一、环境准备

首先肯定是配置开发环境，这里暂时不作详细描述。

需要的环境有jdk1.7，MyEclipse，SVN，ant，以及MyEclipse下的三个插件subclipse

、IvyDe和m2e，下载地址http://subclipse.tigris.org/update_1.8.x和http://www.apache.org/dist/ant/ivyde/updatesite以及http://download.eclipse.org/technology/m2e/releases。

PS： MyEclipse 10 已经自带了Ant，IvyDe和M2e，不需要另外安装。

MyEclipse 10 企业版连接不上Congratulation Center，因此无法在线安装插件。

两个可选方案是：

1. 直接解压插件的features文件夹和plugins文件夹到MyEclipse的安装目录MyEclipse\MyEclipse

10\dropins下；

2. 或者将插件解压到任意目录，然后再MyEclipse的安装目录MyEclipse\MyEclipse

10\dropins下新建svn.lnk文件，输入path=上述解压路径，然后保存。

Ant插件需要另外下载Ant后需要到Windows\Prefrences\Ant\Runtime中配置Ant Home：

配置MySQL：

主要是配置编码，将MySQL安装目录下的my.ini中的编码改为utf8：

[mysql]

default-character-set=utf8

[mysqld]

character-set-server=utf8

二、从svn检出项目，地址https://svn.apache.org/repos/asf/nutch/tags/release-2.2.1

 

 

 

 

 

Finish完成导入。

三、 

修改ivy目录下的ivysetting.xml地址http://mirrors.ibiblio.org/maven2/（只有这个地址访问是正常的，其余的地址我尝试访问不了）

四、  修改ivy目录下的ivy.xml（增加mysql访问依赖java包）

修改gora-core版本为0.2.1，并解除注释gora-sql和mysql-connector-java

 

五、  Cd

到目录执行Ant eclipse(直接在Eclipse下ant build貌似有问题)
 

 六、 

回到Eclipse工程，刷新项目，会发现目录结构已经发生变化

七、

 看到还有一个错误，是编码的问题，工程右键Properties -> Resource

->utf-8
 

 八、

 工程右键Build Path->Config Build Path->Order

and Export下选中Conf 文件夹置顶
 

九、 

修改Conf文件夹下gora.properties配置mysql
#Default MySQL properties        #

###############################

gora.datastore.default=org.apache.gora.sql.store.SqlStore

gora.datastore.autocreateschema=true

gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver

gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true&useUnicode=true&characterEncoding=utf8&autoReconnect=true&zeroDateTimeBehavior=convertToNull

gora.sqlstore.jdbc.user=root

gora.sqlstore.jdbc.password=123456

十、工程目录下新建文件夹urls，urls目录下新建一个文件url，里面输入要爬取的root_url，比如http://www.qq.com

十一、配置conf目录下nutch-site.xml

 
<property>
  <name>http.agent.name</name>
  <value>YourNutchSpider</value>
 </property>
 
 <property>
  <name>http.accept.language</name>
  <value>ja-jp, en-us,en-gb,en,zh-cn,zh-tw;q=0.7,*;q=0.3</value>
  <description>Value of the “Accept-Language” request header field.
  This allows selecting non-English language as default one to retrieve.
  It is a useful setting for search engines build for certain national group.</description>
 </property>
  
 <property>
  <name>parser.character.encoding.default</name>
  <value>utf-8</value>
  <description>The character encoding to fall back to when no other information
  is available</description>
 </property>
  
 <property>
  <name>plugin.folders</name>
  <value>src/plugin</value>
  <description>Directories where nutch plugins are located. Each
  element may be a relative or absolute path. If absolute, it is used
  as is. If relative, it is searched for on the classpath.</description>
 </property>
<property>
<span>	</span><name>generate.batch.id</name>
<span>	</span><value>*</value>
</property>
  
 <property>
  <name>storage.data.store.class</name>
  <value>org.apache.gora.sql.store.SqlStore</value>
  <description>The Gora DataStore class for storing and retrieving data.
  Currently the following stores are available: ….</description>
 </property>

 

十二、 配置完上述步骤后配置命令运行Run

Configuration选择org.apache.nutch.crawl.Crawler，参数设置urls -depth 3

-topN 5和-Dhadoop.log.dir=logs

-Dhadoop.log.file=hadoop.log

这时运行会遇到错误Exception in thread "main" java.io.IOException: Failed to

set permissions of path:

\tmp\hadoop-Administrator\mapred\staging\Administrator606301699\.staging

to 0700

十三、上述错误一般只是windows下才会遇到的，所以我们一般的做法是找到Hadoop-core-1.2.0源码中的org.apache.hadoop.fs下的FileUtil.java修改其中的CheckReturnValue方法，注释掉其中的内容

  private static void checkReturnValue(boolean rv, File p, FsPermission permission) throws IOException {
//    if (!rv) {
//      throw new IOException("Failed to set permissions of path: " + p + 
//                            " to " + 
//                            String.format("o", permission.toShort()));
//    }
  }

 然后编译成java包替换我们工程build/lib下的hadoop-core-1.2.0.jar。

另外一种方法是找到FileUtil.java编译过后的class文件，替换掉jar包中相应的class文件FileUtil.clas和FileUtil$CygPathCommand.clas（用压缩软件打开就行）

附上已修改编译的Hadoop-core-1.2.0.jar文件，包含单独的FileUtil.class文件，链接http://download.csdn.net/detail/cvj1991/7727299（1个积分，有钱的捧个钱场）和直接下载链接http://files.cnblogs.com/e-life/hadoop-core-1.2.0.rar

十四、接下来再运行就没有问题

 

这里注意，你会发现mysql数据库中很多记录除了id，status这几个基本字段有数据外其他值都是null，这是正常情况，请注意status字段，

status  

 记录抓取状态

1     unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)  

2     fetched (page was successfully fetched)  

3     gone (that page no longer exists)  

4     redir_temp (temporary redirection — see reprUrl below for more details)

5     redir_perm (permanent redirection — see reprUrl below for more details)  

34     retry  

38     not modified 

这是因为我们的topN设置太小，所以很多url被限制抓取了（当然还有可能是url被regex-urllfilter过滤了），自己注意一下就好了。

Nutch爬取数据到Solr

1、将nutch的schema替换原solr自带的schema。

2、首先在solr里面新建一个nutch的core。首先复制一份collection1为nutch-core,删掉nutch-core里面的core.properties，然后到solr管理界面去Add Core,名字要和nutch-core文字一致

3、将nutch的schema替换原solr自带的schema

4、备份原来的索引schema,用nutch的schema替代

 

修改schema，在中间加上

</pre><pre name="code" class="html"><field name="_version_" type="string" stored="true" indexed="true"/>

5、启动solr，抓取数据。在Run configuration中配置：

crawl urls -dir towns -depth 10 -threads 10 -topN 10 -solr

http://192.168.125.129:8080/solr/nutch-core

配置完毕。

如果发生异常，可以查看./logs/hadoop.log文件。