转：nutch在Windows上的安装 step by step

nutch作为开源代码，为热爱搜索引擎的开发人员们提供了很好的学习平台，0.8版本开始，采用了Hadoop作为自己的分布式文件系统，更是把nutch同其他开源搜索引擎的差距拉开。

   nutch的官方网站： http://lucene.apache.org/nutch/
   nutch的入门文章： http://lucene.apache.org/nutch/tutorial8.html

   以下详细的介绍一下nutch0.8的安装方法：

一、环境：
      1.操作系统：windowsXp,windows2000+
      2.javaVM：java1.5.x，设置JAVA_HOME到环境变量
      3. cygwin,当然这个不是必需的，只是nutch提供的脚本只能在shell环境下使用，所以使用cygwin来虚拟shell命令。
      4.nutch版本：0.8
      5.tomcat：5.0

二、cygwin的安装：

      cygwin的安装在 Nutch在Windows中安装之细解一文中有较为详细的介绍，此处不再介绍安装步骤，只介绍安装后需要如何判断是否能够使用：在cygwin的安装目录下，查找x:/cygwin/cygwin/bin/sh.exe，存在此命令即可使用。
      cygwin在删除后会发现无法再次成功安装的问题，可以通过注册表内的查找功能，删除所有包含cygwin内容的键值即可。

三、nutch的安装和配置：

      1。从 http://lucene.apache.org/nutch/release/下载0.8或更高的版本，解压缩后，放置到cygwin的根目录下，如图：

 

     图中可以看到nutch目录在cygwin的根目录下。
     
    2。在nutch/bin下，建立urls目录，然后建立一个url.txt文件，在url.txt文件内写入一个希望爬行的url，例如： www.sina.com.cn，目录结构如图：

 

     
      3。打开nutch/conf/ crawl-urlfilter.txt文件，把MY.DOMAIN.NAME字符替换为url.txt内的url的域名，其实更简单点，直接删除MY.DOMAIN.NAME这几个字就可以了，也就是说，只保存+^http://([a-z0-9]*/.)*这几个字就可以了，表示所有http的网站都同意爬行。

      4 。打开nutch/conf/ conf/nutch-site.xml文件，在<configuration></configuration>内插入一下内容：

<property>

 <name>http.agent.name</name>

 <value></value>

 <description>HTTP 'User-Agent' request header. MUST NOT be empty -

 please set this to a single word uniquely related to your organization.

 

 NOTE: You should also check other related properties:

 

     http.robots.agents

     http.agent.description

     http.agent.url

     http.agent.email

     http.agent.version

 

 and set their values appropriately.

 

 </description>

</property>

 

<property>

 <name>http.agent.description</name>

 <value></value>

 <description>Further description of our bot- this text is used in

 the User-Agent header. It appears in parenthesis after the agent name.

 </description>

</property>

 

<property>

 <name>http.agent.url</name>

 <value></value>

 <description>A URL to advertise in the User-Agent header. This will

   appear in parenthesis after the agent name. Custom dictates that this

   should be a URL of a page explaining the purpose and behavior of this

   crawler.

 </description>

</property>

 

<property>

 <name>http.agent.email</name>

 <value></value>

 <description>An email address to advertise in the HTTP 'From' request

   header and User-Agent header. A good practice is to mangle this

   address (e.g. 'info at example dot com') to avoid spamming.

 </description>

</property>

     把<name>XXX</name>之间的内容替换为其他字符，当然就算是不替换也无所谓，这里的设置，是因为nutch遵守了robots协议，在获取response时，把自己的相关信息提交给被爬行的网站，以供识别。

   以上配置，是爬取intranet的配置方式。

     四、执行nutch

   由于配置nutch采用的是单独网站的配置方式，所以执行上我们也采用的是单网查询，全网查询在以后的内容中介绍。

   先看一看nutch给出的命令： nutch crawl urls -dir crawl -depth 3 -topN 50
   crawl：通知nutch.jar，执行crawl的main方法。
   urls：存放需要爬行的url.txt文件的目录，注意，这个名字需要和你的文件夹目录相同，如果你的文件夹为search，那这里也应该改成search。
   -dir crawl：爬行后文件保存的位置，可以在nutch/bin目录下找到。
   -depth 3：爬行次数，或者成为深度，不过还是觉得次数更贴切，建议测试时改为1。
   -topN 50：一个网站保存的最大页面数。

      执行命令的步骤：
      1。进入cygwin界面。
      2。使用cd命令，进入nutch/bin路径下。
      3。执行：sh nutch crawl urls -dir crawl -depth 3 -topN 50

   具体的爬行日志可以在nutch/logs目录下看到，注意查找“INFO  fetcher.Fetcher - fetching http://XXXXXXX”这样的内容，这里是抓去过程日志。

   五、查询搜索：
   nutch提供了类似google、baidu的网页页面，在nutch压缩包下找到nutch-0.8.war文件，放到tomcat/webapps目录下，修改webapps/nutch/WEB-INF/classes/nutch-site.xml文件内容如下：

<property>
<name>searcher.dir</name>
<value>E://software//splider//nutch//nutch-0.8//nutch-0.8//crawl</value>
</property>

   <value/>的内容是刚才爬行后的crawl目录位置，提供给客户端来查询。

　　配置完成后，启动ｔｏｍｃａｔ，输入http://localhost:8080/nutch，输入关键字，就会看到结果了，下图是我抓去ｗａｐ网站的测试结果：

   六、总结：
   ntuch提供了一个高效、开源、易操作的搜索引擎，内部有许多细微之处都是值得借鉴的，例如采用了hadoop的分布式文件系统，类似eclipse的插件技术，apache的httpclient来访问网站，org.cyberneko.html得HtmlParse来解析页面等等，在以后会逐个介绍。


欢迎转载，请注明出处！