Nutch 笔记（一）：Quick Start

 转自： http://martin.javaeye.com/blog/27188

Nutch 笔记（一）：Quick Start

关键字:   nutch    

最近用到了nutch,目的是针对指定的一些网站抓取其内容，然后做分析用。
nutch 笔记是我使用nutch过程一系列总结，写下自己的学习经过和大家一起分享，也希望能得到大家的指点

好了，废话少说，言归正传，第一篇：Quick Start,我们的目标是快速的能跑起来，能检索出我们想要的结果。

首先要明白nutch是什么？
nutch是一个基于lucene的开源搜索引擎，它包括了所有你想要的东西，是一个完整的解决方案 。

一：安装JDK
如果你已经安装了JDK,并且已经设置了JAVA_HOME，那么跳过这一步
安装jdk 代码

1. sudo apt-get install sun-java5-jdk  

或者从sun公司网站下载bin文件执行安装

设置了JAVA_HOME 代码

1. sudo vi ~/.bashrc  

<script type="text/javascript">render_code();</script>
在最后面增加代码

1. export JAVA_HOME=/usr/lib/jvm/java-1.5.0-sun   
2. export PATH=$PATH:$JAVA_HOME/bin   

二：下载nutch的最新版本nutch0.8.1

代码

1. wget http://apache.justdn.org/lucene/nutch/nutch-0.8.1.tar.gz  

释放下来即可

代码

1. tar zxvf nutch-0.8.1.tar.gz  

三：抓取页面
增加url

代码

1. cd nutch-0.8.1  
2. mkdir urls   
3. echo http://www.xici.net>>urls/xici   

编辑conf/crawl-urlfilter.txt,修改MY.DOMAIN.NAME为

代码

1. +^http://([a-z0-9]*.)*xici.net/   

修改conf/nutch-site.xml，增加http.agent.name值

代码

        1. <property>  

        2.        <name>http.agent.name</name>  

        3.          <value>text/unique</value>  

        4    </property>

执行bin/nutch crawl开始抓取页面

代码

1. sudo bin/nutch crawl urls -dir crawl -depth 5 -topN 50&     

这个过程需要等待一些时间

三：检索
安装tomcat,我们使用apache网站上的包

代码

1. cd ..   
2. wget http://mirror.vmmatrix.net/apache/tomcat/tomcat-5/v5.5.20/bin/apache-tomcat-5.5.20.tar.gz   
3. tar zxvf apache-tomcat-5.5.20.tar.gz     

将nutch自带的war文件拷贝到webapps下面

代码

1. rm -rf apache-tomcat-5.5.20/webapps/ROOT*   
2. cp nutch-0.8.1/nutch*.war apache-tomcat-5.5.20/webapps/ROOT.war  

运行tomcat,如果不设定nutch-site.xml的searcher.dir的值，则需要在crawl目录下面执行

代码

1. sudo ${TOMCAT的目录}/bin/startup.sh  

我们也可以设定nutch-site.xml的searcher.dir的值

代码

1. sudo vi ${TOMCAT的目录}/webapps/ROOT/WEB-INF/classes/nutch-site.xml   

增加代码

      1.  <property>  

      2.          <name>searcher.dir</name>  

      3.          <value>/home/martin/doc/nutch-0.8.1/crawl</value>  

      4.    </property>

<script type="text/javascript">render_code();</script>

 四:中文乱码
修改tomcat的server.xml，在Connector的tag最后增加代码

1. URIEncoding="UTF-8"  

<script type="text/javascript">render_code();</script>

 五：截图

-----------------------
nutch site:http://lucene.apache.org/nutch
nutch wiki:http://wiki.apache.org/nutch/

 

本页地址：http://blog.csdn.net/liyang23456/archive/2007/04/26/1585208.aspx