Nutch-2.2+MySQL集成

一、MySQL配置

1、my.ini配置

找到   [mysqld]在下面添加   skip-grant-tables和character-set-server=utf8

找到[mysql]、[client]在下面添加default-character-set=utf8

重启mysql服务

（注：）如果已有的话就不需要添加

2、创建数据库（手动创建数据库nutch）与表 

01	CREATE TABLE `webpage` (

02	`id` varchar(767) CHARACTER SET latin1 NOT NULL,

03	`headers` blob,

04	`text` mediumtext,

05	`status` int(11) DEFAULT NULL,

06	`markers` blob,

07	`parseStatus` blob,

08	`modifiedTime` bigint(20) DEFAULT NULL,

09	`score` float DEFAULT NULL,

10	`typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,

11	`baseUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,

12	`content` mediumblob,

13	`title` varchar(2048) DEFAULT NULL,

14	`reprUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,

15	`fetchInterval` int(11) DEFAULT NULL,

16	`prevFetchTime` bigint(20) DEFAULT NULL,

17	`inlinks` mediumblob,

18	`prevSignature` blob,

19	`outlinks` mediumblob,

20	`fetchTime` bigint(20) DEFAULT NULL,

21	`retriesSinceFetch` int(11) DEFAULT NULL,

22	`protocolStatus` blob,

23	`signature` blob,

24	`metadata` blob,

25	`batchId` varchar(500) DEFAULT NULL,

26	PRIMARY KEY (`id`)

27	) ENGINE=InnoDB DEFAULT CHARSET=utf8;

注：表中的字段根据nutch的conf文件“gora-sql-mapping”进行设置。同时也可通过自动方式生成数据库和表：配置好“gora-sql-mapping”、“gora.properties”及其它文件后，首次通过运行”bin/nutch inject urls”即可自动生成数据库和表，不过或许在自动生成的时候你会遇到问题，不过没有关系，通过及时查看hadoop.log文件你便会发现问题所在。

二、Nutch的安装与配置以及使用

1、Nutch-2.2.X下载：http://apache.fayea.com/apache-mirror/nutch/下载，然后解压至本地安装目录，如本地根目录为${NUTCH_HOME}；

2、配置nutch对mysql的支持，修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件，分别：

1)找到以下行取消注释

1	<dependency org="mysql" name="mysql-connector-java" rev="5.1.18" conf="*->default"/>

2)修改以下行

默认为

1	<dependency org="org.apache.gora" name="gora-core" rev="0.3" conf="*->default"/>

修改后为

1	<dependency org="org.apache.gora" name="gora-core" rev="0.2.1" conf="*->default"/>

3)取消注释以下行

1	<dependency org="org.apache.gora" name="gora-sql" rev="0.1.1-incubating" conf="*->default" />

注释：上2)、3)如果不修改会有异常异常信息为

Exception in thread “main” Java.lang.ClassNotFoundException:org.apache.gora.sql.store.SqlStore

3、数据库连接配置

编辑${NUTCH_HOME}/conf/gora.properties文件，注释掉默认的数据库连接配置，同时添加以下配置内容：

01	###############################

02	# MySQL properties

03	################################

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

05

06	gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true

07

08	gora.sqlstore.jdbc.user=xxx(mysql用户名)

09

10	gora.sqlstore.jdbc.password=xxx（mysql密码）

写上你需要连接的数据库地址以及用户名密码

4、修改nutch-site配置文件

将以下内容添加至${NUTCH_HOME}/conf/nutch-site.xml中的configuration节点中

01	<property>

02

03	<name>http.agent.name</name>

04

05	<value>LiuXun Nutch Spider</value>

06

07	</property>

08

09	<property>

10

11	<name>http.accept.language</name>

12

13	<value>ja-jp, en-us,en-gb,en;q=0.7,*;q=0.3</value>

14

15	<description>Value of the “Accept-Language” request header field.

16

17	This allows selecting non-English language as default one to retrieve.

18

19	It is a useful setting for search engines build for certain national group.

20

21	</description>

22

23	</property>

24

25	<property>

26

27	<name>parser.character.encoding.default</name>

28

29	<value>utf-8</value>

30

31	<description>The character encoding to fall back to when no other information

32

33	is available</description>

34

35	</property>

36

37	<property>

38

39	<name>storage.data.store.class</name>

40

41	<value>org.apache.gora.sql.store.SqlStore</value>

42

43	<description>The Gora DataStore class for storing and retrieving data.

44

45	Currently the following stores are available: ….

46

47	</description>

48

49	</property>

50	<property>

51	<name>generate.batch.id</name>

52	<value>*</value>

53	</property>

特别要添加以下内容：

<property>

<name>generate.batch.id</name>

<value>*</value>

</property>

否则通过”bin/nutch crawl urls –threadsn –depths n”爬取网页时，在日志中会看到以下错误：

java.lang.NullPointerException 
atorg.apache.avro.util.Utf8.<init>(Utf8.java:37) 
atorg.apache.nutch.crawl.GeneratorReducer.setup(GeneratorReducer.java:100) 
atorg.apache.hadoop.mapreduce.Reducer.run(Reducer.java:174) 
atorg.apache.hadoop.mapred.ReduceTask.runNewReducer(ReduceTask.java:649) 
atorg.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:418) 
atorg.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:398) 

并且“nutch-site”文件需要保存为utf-8格式，否则在执行nutch命令时会出现以下错误：

Exception in thread “main”java.lang.RuntimeException:com.sun.org.apache.xerces.internal.impl.io.malformedByteSequenceException: 1字节的UTF-8序列的字节 1 无效。

5、编译Nutch-2.2.*

1)首先安装Ant

2)进入${NUTCH_HOME}目录下执行ant命令既可

3)编译成功后${NUTCH_HOME}目录下会有runtime这个目录

注意：[ivy:resolve] :: loading settings :: file = /home/appmon/release-2.2.1/ivy/ivysettings.xml这里要花一点时间联网检测，等一会就会继续，大约2-5分钟，如果很久没有反应，则Ctrl+C结束，再重新运行ant

6、网页抓取以及配置

1)进入${NUTCH_HOME}/runtime/local目录下

2)设置抓取的网站

执行命令

1	mkdir -p urls

2	echo 'http://www.oschina.net/' > urls/seed.txt

3)爬取操作

1	bin/nutch crawl urls -depth 3 -topN 5

（如果出现如下错误：log4j:ERROR setFile(null,true) call failed.
java.io.FileNotFoundException: /usr/local/apache-nutch-2.2.1/runtime/local/logs/hadoop.log (No such file or directory)，

是因为log4j.properties 和其他的应用程序重名的原因。进入  nutch/runtime/local/conf中 ，对log4j.properties换个名字即可：

sudo mv log4j.properties log.properties）

nutch命令前面章节介绍到了

执行完在mysql中即查看到爬虫抓取的内容，如下图：

转自：http://my.oschina.net/liuxundemo/blog/219920 http://blog.csdn.net/fby98710/article/details/10367175