Nutch0.9安装手册(for Windows)

 
如果机器上有以前版本的 JDK 和 Tomcat 请先将它们卸载，然后重启机器。

1.安装jdk

Jdk版本为1.6, 下载地址：
http://www.sun.com/download/
1）安装路径：d:/Program Files/Java/jdk 1.6.0 _02/

2）配置PATH环境变量，加入d:/Program Files/Java/jdk 1.6.0 _02/bin;
3）配置JAVA_HOME环境变量, d:/Program Files/Java/jdk1.6.0_02

 

2.安装Tomcat

版本为6.0, 下载地址：
http://tomcat.apache.org/
1）安装路径：D:/Program Files/Tomcat6

2）设置TOMCAT_HOME环境变量D:/Program Files/Tomcat6

3）把JAVA_HOME/lib/tools.jar拷到TOMCAT_HOME/lib下，重启动Tomcat（运行bin目录下的startup.bat）。
（或者，tomcat控制台java选项-〉Java classpath:
%tomcat_home%/bin/bootstrap.jar;%java_home%/lib/tools.jar
注：%java_home%、%tomcat_home分别指jdk、tomcat的安装根目录。）

4）在服务器的防火墙设置里面打开8080端口

 

 

3.安装Cygwin.

下载Cygwin，点击Cygwin/cyg_win_setup.exe进行安装。

（起码准备 2G 的空间）

安装路径：D:/Cygwin

选择Install from Local Directory

选择最基本的进行安装。(不选Graphics,Games,X11)

 

4.安装Nutch

1）下载nutch包，地址为http://lucene.apache.org/nutch/，大约 60M 。

2）将包nutch-0.9.tar.gz放到cygwin的安装目录根目录下。（例如D:/cygwin）

打开Cygwin的快捷方式，退到根目录，运行dir会看到nutch-0.9.tar.gz.

3）运行tar xvf nutch-0.9.tar.gz进行解包，会在根目录下面生成nutch-0.9文件夹。

4）将该文件改名, mv nutch-0.9 nutch

5）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：http://www.163.com
6）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。

 

7）打开nutch/conf/conf/nutch-site.xml文件，在<configuration></configuration>内插入以下内容：

<property>

 <name>http.agent.name</name>

 <value>nutchcvs</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。

 

5.用nutch进行爬行
   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。

6.配置查询搜索
1）nutch提供了类似google、baidu的网页页面，在nutch压缩包下找到nutch-0.9.war文件，放到tomcat/webapps目录下。

2）修改webapps下的nutch-0.9为nutch
3）修改webapps/nutch/WEB-INF/classes/nutch-site.xml 文件内容如下：

<property>
<name>searcher.dir</name>
<value>D:/cygwin/nutch/bin/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。

　　

7.解决不支持中文的办法

很多朋友都遇到 Nutch 0.6 输入中文会出现乱码的问题。这个问题其实和 Nutch 关系不大，主要原因是使用 Tomcat 5.0 的问题。解决办法是修改 Tomcat 的 server.xml 文件的 connnector：

<Connector port="8080"
    maxThreads="150" minSpareThreads="25" maxSpareThreads="75"
    enableLookups="false" redirectPort="8443" acceptCount="100"
    connectionTimeout="20000" disableUploadTimeout="true"
    URIEncoding="UTF-8" useBodyEncodingForURI="true" />

其中 URIEncoding="UTF-8" useBodyEncodingForURI="true" 是需要新增的。否则搜索栏输入的字符默认编码将不能正确解析。

重新启动tomcat

 

8.搜索
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.