eclipse中调试nutch2.0+cassandra

eclipse中调试nutch2.0+cassandra

分类： Nutch 搜索引擎 Cassandra

学习nutch首先我们需要下载它的源码，然后导入eclipse使其能够先跑起来，下文是引用了一个博友整理的导入eclipse的方法：（代码来自GitHub）      

  很早官方就开始了nutch2.0的研发，而一直都是两线同时研发的，一个是普通版，一个是gora版本，也就是nutch2.0。下面介绍下怎样把项目导进eclipse中，这里我们的存储层使用nosql cassandra，本来想先使用mysql试试，发现启动不了爬虫，调试下发现原来还没有完全实现gora的sql数据库的存储功能，所以选择易用的cassandra作为测试。

需要知识：nutch基本知识，cassandra基本知识，用maven管理项目，用git管理下载项目。

需要工具：安装有maven插件的eclipse（插件可以通过eclipse的market place下载）

1.下载导入项目

       先从https://github.com/apache/nutch/tree/release-2.0把nutch2.0项目下载下来（windows点zip按钮会打包下载）

eclipse中把项目导进去（file-import-maven-existing maven project）

2.添加依赖

       导进去后src/java和src/test已经是源文件目录了，还必须把

/conf

/src/plugin/protocol-httpclient/src/java

/src/plugin/urlfilter-domain/src/java

/src/plugin/lib-http/src/java

/src/plugin/protocol-http/src/java

/src/plugin/urlfilter-suffix/src/java

/src/plugin/urlfilter-regex/src/java

/src/plugin/lib-regex-filter/src/java

/src/plugin/urlnormalizer-basic/src/java

/src/plugin/urlnormalizer-pass

/src/javasrc/plugin/urlnormalizer-regex/src/java

/src/plugin/scoring-opic/src/java

/src/plugin/parse-html/src/java

这些基本插件添加到classpath中，parse-html还需要用到额外的jar包，

还要nekohtml、tagsoup这两个jar包。我们在下面的pom中添加。

3.添加额外的jar包到pom文件

       添加下面依赖到pom.xml文件，去掉原有的gora-core和gora-sql依赖

[html]  view plain copy

1. <dependency>  
2.                        <groupId>org.apache.gora</groupId>  
3.                        <artifactId>gora-core</artifactId>  
4.                        <version>0.2</version>  
5.                        <optional>true</optional>  
6.                </dependency>               
7.                 
8.                <dependency>  
9.                        <groupId>org.apache.gora</groupId>  
10.                        <artifactId>gora-cassandra</artifactId>  
11.                        <version>0.2</version>  
12.                        <optional>true</optional>  
13.                </dependency>  
14.               
15.             <!-- html parser dependency -->  
16.             <dependency>  
17.                 <groupId>net.sourceforge.nekohtml</groupId>  
18.                 <artifactId>nekohtml</artifactId>  
19.                 <version>1.9.15</version>  
20.             </dependency>  
21.             <dependency>  
22.                 <groupId>org.ccil.cowan.tagsoup</groupId>  
23.                 <artifactId>tagsoup</artifactId>  
24.                 <version>1.2</version>  
25.             </dependency>  

如果下载不了gora的包，可以到http://gora.apache.org/releases.html#Download下载后放到maven仓库。

4.修改配置文件

       把conf目录下带template结尾的文件都去掉template，如nutch-site.xml.template改成nutch-site.xml以防有些插件运行时找不到配置文件。

       修改conf下的nutch-site.xml添加一下设置（里面的value随你输）：

[html]  view plain copy

1. <?xml version="1.0"?>  
2. <?xml-stylesheet type="text/xsl" href="configuration.xsl"?>  
3.   
4. <configuration>  
5.     <property>  
6.         <name>http.agent.name</name>  
7.         <value>your agent name</value>  
8.     </property>  
9.   
10.     <property>  
11.         <name>http.agent.description</name>  
12.         <value>escription</value>  
13.     </property>  
14.   
15.     <property>  
16.         <name>http.agent.url</name>  
17.         <value>your http agent url</value>  
18.     </property>  
19.   
20.     <property>  
21.         <name>http.agent.email</name>  
22.         <value>your http agent email</value>  
23.     </property>  
24.     <property>  
25.       <name>storage.data.store.class</name>  
26.       <value>org.apache.gora.cassandra.store.CassandraStore</value>  
27.       <description>设置gora存储层的实现类，可以设置成如下参数:  
28.       关系型数据库：org.apache.gora.sql.store.SqlStore          
29.       cassandra：org.apache.gora.cassandra.store.CassandraStore        
30.       habse：org.apache.gora.hbase.store.HBaseStore        
31.       Accumulo：org.apache.gora.hbase.store.AccumuloStore          
32.       Avro：org.apache.gora.hbase.store.AvroStore         
33.       文件形式  ：org.apache.gora.hbase.store.DataFileAvroStore        
34.       放在内存：org.apache.gora.hbase.store.MemStore  
35.       </description>  
36.     </property>  
37. </configuration>  

修改conf下的/nutch/conf/gora.properties

注释掉关系数据库的配置信息：

#gora.sqlstore.jdbc.driver=org.hsqldb.jdbc.JDBCDriver
#gora.sqlstore.jdbc.url=jdbc:hsqldb://localhost/test
#gora.sqlstore.jdbc.user=sa
#gora.sqlstore.jdbc.password=

把gora.cassandrastore.servers=localhost:9160这行的注释去掉，表明使用cassandra作为存储层

5.启动cassandra

       启动cassandra，cassandra的启动参考：http://blog.csdn.net/laigood12345/article/details/6568409，我用的是1.01版本的cassandra。

6.执行爬虫

       在根目录下建立个urls文件夹，在文件夹下新建个txt文档，随便输入几个网站，如：http://www.163.com/,一行一个网站

       最后用java application运行/nutch/src/java/org/apache/nutch/crawl/Crawler.java 参数：urls -depth 2 爬虫就执行起来，爬取的网页会保存到cassandra中。

       索引nutch2.0和nutch1.3+一样，都是使用solr作为搜索程序，所以用法和nutch1.3+的一样，这里就不介绍了,用惯了elasticsearch，现在真心觉得solr太麻烦，配都懒得配个出来调试了，直接改源码，添加nutch文档索引到elasticsearch的方法。

原文地址：http://blog.csdn.net/laigood12345/article/details/7625862