前段时间我写了一篇文章讲nutch的简单使用，是单台机器抓取，今天我讲一下nutch的分布式抓取。
由于nutch的分布式是采用hadoop，所以nutch的分布式抓取主要涉及到hadoop和nutch本身两方面的配置。
hadoop的配置
hadoop的配置主要涉及到以下几个文件:
- hadoop-env.sh
hadoop-env.sh里面是一些hadoop脚本文件需要用到的环境变量。- JAVA_HOME
hadoop-env.sh中最重要的选项是JAVA_HOME, 如果这个选项没有设置的话，而且你的系统也没有设置这个环境变量的话，运行hadoop脚本的时候会出现下面的错误提示：Error: JAVA_HOME is not set.
我改了一下hadoop脚本，当你没有设置JAVA_HOME的时候，可以通过”which java”命令来自动设置JAVA_HOME，代码如下：
1 2 3
if [[ -z "$JAVA_HOME" ]]; then JAVA_HOME=`cd $(dirname $(readlink -m $(which java)))/../../ && pwd` fi
原理很简单，首先用which命令找到java命令的路径，然后用readlink命令得到软链接指向的真正目录，而java命令一般都在$JAVA_HOME/jre/bin/下，所以得到java命令的目录就知道了JAVA_HOME了。这个方法在ubuntu下一般都有效，但是在gentoo下无效，gentoo下java命令是/usr/bin/run-java-tool。
- HADOOP_SSH_OPTS
这个选项是传给ssh的。由于hadoop在启动集群内别的机器上的hadoop程序的时候，是通过ssh来操作的，所以你可以通过设置这个选项来控制ssh的选项。ssh登录到别的机器的时候，如果目标机器没有经过你的认证，即它的key不在你的~/.ssh/known_hosts里面，你就会得到如下的提示：1 2 3
The authenticity of host 'aheiu (172.0.1.208)' can't be established. RSA key fingerprint is fa:e0:57:4e:6a:1d:e3:3e:49:86:8f:13:e5:45:47:f0. Are you sure you want to continue connecting (yes/no)?
这时候你必须输入yes才能继续。这样就需要人工的干预了。那么怎样才能做到自动化呢？
ssh有个选项StrictHostKeyChecking, 这个选项控制当目标主机没有进行过认证的时候，是否显示上面的信息，所以我们登录别的机器的时候，只需要ssh -O StrictHostKeyChecking=no就可以直接登录了，就不会有上面烦人的提示了, 而且还会讲目标主机key加到~/.ssh/known_hosts里面。alias ssh='ssh -o StrictHostKeyChecking=no'
这样以后每次只要输入ssh, 不用输入那么长的命令了。
export HADOOP_SSH_OPTS="-o StrictHostKeyChecking=no"
这样配置以后，启动hadoop集群的时候，也不需要手工输入那个yes了。
- HADOOP_PID_DIR
hadoop脚本启动hadoop程序的时候，把每一个程序的pid写到一个文件里，这个文件所在的目录就是HADOOP_PID_DIR的值。HADOOP_PID_DIR的默认值是/tmp, 这样如果想在同一个机器集群上启动多个hadoop集群，就会覆盖pid文件，所以要设置成其他目录：export HADOOP_PID_DIR=${HADOOP_HOME}/pids
hadoop-env.sh配置如下：
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33
# Set Hadoop-specific environment variables here. # The only required environment variable is JAVA_HOME. All others are # optional. When running a distributed configuration it is best to # set JAVA_HOME in this file, so that it is correctly defined on # remote nodes. # The java implementation to use. Required. export JAVA_HOME=/usr/lib/jvm/java-6-sun # The maximum amount of heap to use, in MB. Default is 1000. # export HADOOP_HEAPSIZE=2000 # Extra Java runtime options. Empty by default. # export HADOOP_OPTS=-server # Extra ssh options. Default: '-o ConnectTimeout=1 -o SendEnv=HADOOP_CONF_DIR'. export HADOOP_SSH_OPTS="-o StrictHostKeyChecking=no" # Where log files are stored. $HADOOP_HOME/logs by default. # export HADOOP_LOG_DIR=${HADOOP_HOME}/logs # File naming remote slave hosts. $HADOOP_HOME/conf/slaves by default. # export HADOOP_SLAVES=${HADOOP_HOME}/conf/slaves # host:path where hadoop code should be rsync'd from. Unset by default. # export HADOOP_MASTER=master:/home/$USER/src/hadoop # The directory where pid files are stored. /tmp by default. export HADOOP_PID_DIR=${HADOOP_HOME}/pids # A string representing this instance of hadoop. $USER by default. # export HADOOP_IDENT_STRING=$USER
- JAVA_HOME
- hadoop-site.xml
hadoop-site.xml是对hadoop的java程序进行配置。和nutch一样，hadoop-default.xml是默认的配置，不要直接修改它，把你的配置放到hadoop-site.xml中来。
必须的选项：- hadoop.tmp.dir
hadoop的dfs数据和map reduce程序运行的时候临时数据存放在此 - fs.default.name
namenode的ip和端口 - mapred.job.tracker
jobtracker的ip和端口
可选的选项：
- mapred.job.tracker.http.address
jobtracker的web ip和端口配置 - dfs.http.address
hdfs的web ip和端口配置在一个机器集群上配置多个hadoop集群的时候，需要修改上面这两个选项和上面的必须的选项中关于namenode和jobtracker的两个选项。
- mapred.map.tasks
每个任务的map task数目 - mapred.reduce.tasks
每个任务的reduce task书目 - mapred.tasktracker.map.tasks.maximum
每个tasktracker能运行的map task的最大的数目 - mapred.tasktracker.reduce.tasks.maximum
每个tasktracker能运行的reduce task的最大的数目 - mapred.child.java.opts
传给每个task程序的java选项，默认的是设置最大内存为200M
hadoop-site.xml配置如下：
- hadoop.tmp.dir
- master secondarymasters
hadoop中默认的没有master这个文件，只有个masters文件，启动hadoop集群的时候只能在master上启动，不能在slave上启动，masters文件里面存放的是secondarynamenode的ip。我改了一下hadoop的脚本，master文件里面存放master的ip，secondarymasters里面存放secondarynamenode的ip。
nutch的配置
- urlfilter
由于plugin.includes中只包含了urlfilter-regex，而根据《nutch配置文件的加载》一文，crawl-tool.xml文件的优先级最高，所以urlfilter-regex插件所用到的配置文件应该是crawl-tool.xml中配置的，默认是crawl-urlfilter.txt，改其配置如下：1 2 3 4 5 6 7
# skip file:, ftp:, & mailto: urls -^(file|ftp|mailto): # skip image and other suffixes we can't yet parse -\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$ +.
- nutch-site.xml
必须的配置是http.agent.name和http.robots.agents，和《nutch配置文件的加载》文中一样。
一些方便部署的脚本
我修改了一些hadoop的脚本，使得部署和监控hadoop更方便。
- restart-all.sh
重启hadoop集群 - all.sh
这个脚本使你可以同时在集群的所有机器上执行同一个命令，比如你想查看集群上的日志里有没有错误，这样就可以了：./all.sh grep ERROR path-of-logs/hadoop.log
- clean-logs.sh
删除所有机器上的log - df-all.sh du-all.sh jps-all.sh ll-all.sh mv-all.sh rm-all.sh
在所有的机器上执行对应的前缀命令，比如df-all.sh，即在所有机器上执行df命令，这些脚本调用的都是all.sh。 - update-conf.sh
配置hadoop的时候，有两个地方需要配置master的ip，一个是master文件夹，另一个是hadoop-site.xml中配置namenode和jobtracker的ip，那么每次配置hadoop的时候都需要配置这两个项，能不能只配置一个呢？还有，为了方便管理，我部署nutch的时候，建立的文件结构是这样的，/opt/crawler，/opt/crawler/data，/opt/crawler/program，data这个文件夹是hadoop.tmp.dir，program则是nutch的程序，所以hadoop.tmp.dir实际上即使$HADOOP_HOME/../data。为了方便部署，我写了这个update-conf.sh脚本，自动把master文件中的内容写到haoop-site.xml中去，而且自动更新hadoop-site.xml中的hadoop.tmp.dir的值，这样你配置的时候，只需要配置master文件就可以了。 - kill-all.sh
由于hadoop的stop-all.sh脚本是根据pid文件来kill hadoop的daemon程序的，所以如果你不小心删除了pid文件，stop-all.sh就不能kill掉那些daemon程序了。kill-all.sh弥补了stop-all.sh的缺陷，它是通过jps命令来得到所有的java进程pid，然后根据daemon程序的名字来得到所有的daemon程序的pid，再根据/proc文件夹得到这些进程的当前目录，如果这个当前目录与HADOOP_HOME一样，就kill掉这个进程。
ping-all.sh
这个脚本不是在所有的机器上运行ping命令，而是ping一下所有机器上的daemon程序，还是否还活着，管理hadoop集群的时候很方便。
由于kill-all.sh和ping-all.sh最终都是通过hadoop-daemon.sh来实现的, 我这里只列出hadoop-daemon.sh的代码: - rsync-slaves.sh
假如你修改了一项配置或者改了一下程序，那你怎么把所有机器上的程序都更新一下？hadoop已经替你想好了，它默认的是在hadoop-daemon.sh里调用rsync命令，来把某台机器与master同步，我单独写了这个脚本，来把所有的slave和master同步。在start-all.sh脚本里会自动调用rsync-slaves.sh，所以基本上不需要你手动执行它。该脚本会忽略名为ignores的文件或文件夹，你可以把你不想同步的文件都放到ignores文件夹里面。
部署
讲完配置，下面就开始部署了。
- 配置机器连通性
由于hadoops是通过ssh启动没个节点上的daemon程序，所以先配置好机器之间的免认证登录，免得每次启动hadoop集群的时候都需要输入密码。 - 启动hadoop集群
1 2 3 4 5
mkdir -p /opt/crawler cp nutch /opt/crawler/program -r cd /opt/crawler/program/bin ./hadoop namenode -format ./start-all.sh
- 开始抓取
抓取和文《nutch配置文件的加载》中一样，有一个不通的地方是url文件夹必须是在hdfs里面存放的，你可以用这个命令把本地url文件夹拷贝到hdfs中：./hadoop fs -copyFromLocal ignores/urls urls
- 查看hadoop job task状态
http://master:50030查看jobtracker状态，http://master:50070可以浏览hdfs中内容
部署多个hadoop集群
如果你的机器比较紧张，想在一个机器集群上部署多个hadoop集群，该怎么弄呢？很简单，首先把nutch文件夹拷贝到另一个不同的地方，然后你只需要修改hadoop-site.xml中以下几项为不同的值就可以了：
fs.default.name mapred.job.tracker mapred.job.tracker.http.address dfs.http.address
4941
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
