Nutch 使用总结

Nutch 是一个开源Java 实现的搜索引擎。它提供了我们运行自己的搜索引擎所需的全部工具。包括全文搜索和Web爬虫。

 Nutch使用方法简介： http://blog.csdn.net/pengpengfly/archive/2008/09/29/2994664.aspx

nutch1.2 eclipse tomcat6.0 配置 :http://hi.baidu.com/oliverwinner/blog/item/4be3f1370284b32f5ab5f565.html

Nutch 实战：介绍了开源搜索引擎 Nutch 的基本信息，详细说明了在 Eclispe 下运行 Nutch 的步骤和需要注意的问题，还分析了部分源代码。很好的文章

Nutch 目录结构

bin：用于命令行运行的文件；

conf：Nutch的配置文件

lib：一些运行所需要的jar文件；

plugins：存放相应的插件；

src：Nutch的所有源文件；

webapps：web运行相关文件；

nutch-0.9.war是 Nutch所提供的基于Tomcat的应用程序包。

Nutch工作流程

1. 将起始 URL 集合注入到 Nutch 系统之中。

2. 生成片段文件，其中包含了将要抓取的 URL 地址。

3. 根据URL地址在互联网上抓取相应的内容。

4. 解析所抓取到的网页，并分析其中的文本和数据。

5. 根据新抓取的网页中的URL集合来更新起始URL集合，并再次进行抓取。

6. 同时，对抓取到的网页内容建立索引，生成索引文件存放在系统之中。

（1）准备需要的软件列表
        Cygwin     (下载地址:http://www.cygwin.com/setup.exe)
        Jdk(1.4.2以上版本，下载地址http://www.oracle.com/technetwork/java/javase/downloads/jdk-6u29-download-513648.html）
        Nutch(推荐使用0.9版本，下载地址http://www.apache.org/dyn/closer.cgi/lucene/nutch/）
        Tomcat(下载地址http://tomcat.apache.org/)

（2）安装软件
     1)  Cygwin 打开安装程序Cygwin.exe后，在"Choose Installation Type"页选择 "Install from Internet"（如果你已经把全部安装包下载到本地，就可以选择"Install from local directory"选项)。然后点击"Next".
          然后选择安装目录，其他可保持默认选项，点击"Next".
          选择保存安装包的本地目录，点击"Next".
          选择下载连接的类型，点击Next。
          然后通过服务器先下在需要安装的包列表，改为install比较合适，默认为default安装不全
          完成安装。

          图文讲解
     2) 安装JDK ，注意安装完成后需要在Windows的环境变量中加入JAVA_HOME=你的jdk的安装目录
     3) 安装Tomcat，下载安装版。

     4)把Nutch解压到本地目录，例如D:/nutch。启动Cygwin程序，Cygwin程序会启动一个模拟Unix/Linux的终端窗口，然后使 用方式就和Unix的Shell一样了，Cygwin的根目录是/cygdriver，这个目录相当于Windows的“我的电脑”，然后进入Nutch 的目录，例如：cd /cygdriver/d/nutch，然后运行bin/nutch命令，如果出现下面的Usage 信息，这样Nutch就安装完成了，非常简单。

     注意cygwin路径的切换方法：

     命令：cd d:/nutch

（3）使用Nutch

Nutch  的爬虫有两种方式
•  爬行企业内部网(Intranet crawling)。针对少数网站进行，用 crawl 命令。  
•  爬行整个互联网。  使用低层的 inject, generate, fetch 和 updatedb 命令，具有更强的可控制性。 

      1) 添加需要爬行的内部网地址信息。
         新建一个目录，写入一些网址信息，例如我们需要爬行csdn的内部网。
             mkdir urls
             echo http://www.csdn.net/ >urls/csdn    后面有斜线
     2) 然后修改 conf目录下的crawl-urlfilter.txt文件，这个文件中的正则表达式定义了那些文件可以被Nutch爬行，那些不可以被爬行。其中以“+”号开头的表示属于Nuch合法的Url连接，“-”号开头相反。我们需要修改文件中的
          # accept hosts in MY.DOMAIN.NAME
           +^http://([a-z0-9]*/.)*MY.DOMAIN.NAME/
         为
        # accept hosts in MY.DOMAIN.NAME
        +^http://([a-z0-9]*/.)*csdn.net/    

或

# accept hosts in MY.DOMAIN.NAME

+^http://([a-z0-9]*\.)*
      3)接下来我们需要配置conf/nutch-site.xml，这个需要填写相关的代理属性，应为Nutch也许要准受Robot协议，在爬行人家网站的时候，把相关的信息提交给被爬行的网站。
         我们在这个文件中，需要在<configuration>和</configuration>之间，加入是个代理属性，例如http.agent.name属性      
         <property>
         <name>http.agent.name</name>
         <value>nutch-1.2</value>
         <description>csdn.com</description>
         </property>
        其中除了name字段需要准确添写外，其他value和descrption字段可或添写。同样，还需要加入http.agent.description，http.agent.url和http.agent.email这三个属性。例如

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
<property>
  <name>http.agent.name</name>
  <value>nutch-1.2</value>
  <description>tjt</description>
</property>
<property>
  <name>http.robots.403.allow</name>
  <value>true</value>
  <description></description>
</property>
<property>
  <name>http.agent.description</name>
  <value>tjtnutchhoho</value>
  <description></description>
</property>
<property>
  <name>http.agent.url</name>
  <value>http://ucooper.com</value>
  <description></description>
</property>
<property>
  <name>http.agent.email</name>
  <value>tangjiutao@gmail.com</value>
  <description></description>
</property>
<property>
  <name>http.agent.version</name>
  <value>Nutch-1.2</value>
  <description></description>
</property>
<!-- file properties -->
<property>
<name>searcher.dir</name>
<value>E:/nutch/csdn</value>
<description></description>
</property>
</configuration>

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。
       4)这样就完成了全部爬行所需要的配置，下面就可以用nutch的crawl命令来派性企业内部网了
        再nutch目录中输入：
        bin/nutch crawl urls -dir csdn -threads 4 -depth 2 -topN 30
        这样nutch就启动并且开始爬行任务了，由于是简单示例，所以以上这个命令很快就结束了，因为爬行的广度和深度都非常小，也就是说，示例只爬行了csdn网站的很小一部分网页。
       下面就上面命令的参数进行说明：
        Crawl命令的使用说明为: crawl <url dir> [-dir index] [-threads num] [-depth num] [-topN num]
        其中:
           urls是存放需要爬行网址的文件夹目录。
           -dir选项是抓取的页面的存放目录。
           -threads选项是启动的最大线程数。
           -depth选项是能爬行的最大深度，也就是最多爬行到第几级的页面，也叫爬行深度。
           -topN选项是在每层深度上，所能爬行的最多页面数，也称爬行广度。     
        完成爬行后，会在-dir选项所指定的目录中保存网页信息和搜索需要的索引。 

********************************************************

常见报错：

（1）Exception in thread "main" java.io.IOException: Job failed!
        at org.apache.hadoop.mapred.JobClient.runJob(JobClient.java:1252)
        at org.apache.nutch.crawl.Injector.inject(Injector.java:217)
        at org.apache.nutch.crawl.Crawl.main(Crawl.java:124)

请检查nutch-default.xml的plugin.folders是否修改为./src/plugin，默认为plugins，修改后启动正常
（2）org.apache.nutch.plugin.PluginRuntimeException: java.lang.ClassNotFoundException: org.apache.nutch.net.urlnormalizer.basic.BasicURLNormalizer

********************************************************

PDF支持：

默认情况下不支持对pdf文件的索引，要想对pdf文件也进行正确的索上，找到nutch-default.xml中的plugin.includes属性，添加上pdf，即为parse-(text|html|js|pdf)。

Nutch的爬行结果目录

爬行结果目录含有segment, linkdb, indexes, index, crawldb文件夹

Nutch的数据文件
crawldb: 爬行数据库，用来存储所要爬行的网址
linkdb: 链接数据库，用来存储每个网址的链接地址，包括源地址和链接地址
segments: 抓取的网址被作为一个单元，而一个segment就是一个单元。一个segment包括以下子目录:
         crawl_generate:包含所抓取的网址列表
        crawl_fetch:包含每个抓取页面的状态
        content:包含每个抓取页面的内容
        parse_text:包含每个抓取页面的解析文本
        parse_data:包含每个页面的外部链接和元数据
        crawl_parse:包含网址的外部链接地址，用于更新crawldb数据库
indexes: 采用Lucene的格式建立索引集
index：最终生成的目录

WebDB内存储了两种实体的信息：page和link。Page实体通过描述网络上一个网页的特征信息来表征一个实际的网页，因为网页有很多个需 要描述，WebDB中通过网页的URL和网页内容的MD5两种索引方法对这些网页实体进行了索引。Page实体描述的网页特征主要包括网页内的link数 目，抓取此网页的时间等相关抓取信息，对此网页的重要度评分等。同样的，Link实体描述的是两个page实体之间的链接关系。WebDB构成了一个所抓 取网页的链接结构图，这个图中Page实体是图的结点，而Link实体则代表图的边。
　　一次爬行中每次循环都会产生一个segment，每个segment内存储的是爬虫Crawler在单独一次抓取循环中抓到的网页以及这些网页的索 引。Crawler爬行时会根据WebDB中的link关系按照一定的爬行策略生成每次抓取循环所需的fetchlist，然后Fetcher通过 fetchlist中的URLs抓取这些网页并索引，然后将其存入segment。Segment是有时限的，当这些网页被Crawler重新抓取后，先 前抓取产生的segment就作废了。在存储中。Segment文件夹是以产生时间命名的，方便我们删除作废的segments以节省存储空间。
　　Index是Crawler抓取的所有网页的索引，它是通过对所有单个segment中的索引进行合并处理所得的。Nutch利用Lucene技术进 行索引，所以Lucene中对索引进行操作的接口对Nutch中的index同样有效。但是需要注意的是，Lucene中的segment和Nutch中 的不同，Lucene中的segment是索引index的一部分，但是Nutch中的segment只是WebDB中各个部分网页的内容和索引，最后通 过其生成的index跟这些segment已经毫无关系了。

Nutch之Crawler工作流程

在Nutch中，Crawler操作的实现是通过一系列子操作的实现来完成的。这些子操作Nutch都提供了子命令行可以单独进行调用。下面就是这些子操作的功能描述以及命令行，命令行在括号中。
1) 建立初始 URL集
2) 将 URL 集注入 crawldb数据库---inject
3) 根据 crawldb数据库创建抓取列表---generate
4) 执行抓取，获取网页信息---fetch
5) 更新数据库，把获取到的页面信息存入数据库中---updatedb
6) 重复进行 3～5的步骤，直到预先设定的抓取深度。---这个循环过程被称为“产生/抓取/更新”循环

7)  根据sengments 的内容更新 linkdb数据库---invertlinks
8)  建立索引---index

9) 在索引中丢弃有重复内容的网页和重复的URLs (dedup).
10) 将segments中的索引进行合并生成用于检索的最终index(merge).

11)  用户通过用户接口进行查询操作
12) 将用户查询转化为lucene 查询
13) 返回结果
其中，1~6属于爬虫部分；7~10 属于索引部分；11~13属于查询部分。

 在创建一个WebDB之后， “产生/抓取/更新”循环(步骤3－6)根据一些种子URLs开始启动。当这个循环彻底结束，Crawler根据抓取中生成的segments创建索引 （步骤7－10）。在进行重复URLs清除（步骤9）之前，每个segment的索引都是独立的（步骤8）。最终，各个独立的segment索引被合并为 一个最终的索引index（步骤10）。
　　其中有一个细节问题，Dedup操作主要用于清除segment索引中的重复URLs，但是我们知道，在WebDB中是不允许重复的URL存在的，那 么为什么这里还要进行清除呢？原因在于抓取的更新。比方说一个月之前你抓取过这些网页，一个月后为了更新进行了重新抓取，那么旧的segment在没有删 除之前仍然起作用，这个时候就需要在新旧segment之间进行除重。

Nutch本身的搜索测试：

在 cygwin 中输入 ”bin/nutch org.apache.nutch.searcher.NutchBean csdn” ，即调用 NutchBean 的 main 方法搜索关键字 ”csdn” ，在 cygwin 可以看到搜索出： Total hits: 29 （ hits 相当于 JDBC 的 results ）

注意： 如果发现搜索结果始终为 0 ，则需要配置一下 nutch-1.2/conf 的 nutch-site.xml   试试添加下面这段：（注意之前的http.agent.name必须有，如果没有这个property，则搜索结果一直为0）

<!-- file properties -->
<property>
<name>searcher.dir</name>
<value>E:/nutch/csdn</value>
<description></description>
</property>

使用Tomcat进行搜索测试  
（1）将nutch目录的nutch-1.0.war复制到tomcat/webapps下,可以改名为nutch以简化目录名，不改也可以

（2）启动tomcat，然后就在webapps下面自动生成了一个nutch的文件夹,

（3）打开 nutch/WEB-INF/classes下的nutch-site.xml文件，改为以下内容

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>searcher.dir</name>
<value>E:/nutch/csdn</value>
<description></description>
</property>
</configuration>

 （4） 启动Tomcat，打开浏览器在地址栏中输入：http://localhost:8080/nutch ,就可以看到搜索页面了.

注意：从网页上复制的代码可能存在一些非英文编码字符，会造成影响，我就遇到了这个问题。把前面的空格等都去掉就解决了。

nutch抓取下来，但搜索不到结果的解决方案

（1）在 cygwin 中输入 ”bin/nutch org.apache.nutch.searcher.NutchBean csdn”测试是否已经抓取了页面，如果有结果，则说明有

（2）查看tomcat的 webapps/nutch/WEB-INF/classes下的nutch-site.xml文件里，是否设置了searcher.dir属性，这是必须的

（3）别忘了在设置完成后，要重启下tomcat。（注意每次修改nutch-site.xml 文件后都要重新启动tomcat）

（4）貌似nutch/conf/nutch-site.xml也要设置searcher.dir属性，都进行设置

中文乱码问题

在文本框中输入关键字,就可以进行搜索了.不过用户在使用时会发现，对于英文单词的搜索一切正常,而当要搜索中文词语时会出现乱码。其实这个问题是 Tomcat设置的问题，解决办法是修改tomcat的配置文件，打开tomcat/conf下的server.xml文件，将其中的Connector 部分改成如下形式即可：

将

     <Connector port="8080" protocol="HTTP/1.1"

                connectionTimeout="20000"

                redirectPort="8443" />

改为

     <Connector port="8080" protocol="HTTP/1.1"

                connectionTimeout="20000"

                redirectPort="8443"

            URIEncoding="UTF-8"

            useBodyEncodingForURI="true"/>

然后重启 tomcat 即可。

索引查看

LukeAll 3.01打开爬行结果目录下的index目录

注意：低版本Luke不能打开该文件，需要高版本的Luke，下载地址

http://code.google.com/p/luke/downloads/list

Dedian同志翻译的Doug Cutting 访谈录 -- 关于搜索引擎的开发 。

http://www.blogjava.net/dedian/archive/2006/08/02/Doug_Cutting_Interview.html

注：Doug Cutting是Lucene、Nutch的开发人员

关于链接分析模块：

你有实现你自己的PageRank或者WebRank算法系统在你的Nutch里吗？什么是你做网页排名(Ranking)的考虑？
是的，Nutch里面有一个链接分析模块。它是可选的，因为对于站内搜索来说，网页排名是不需要的。

Nutch目前对中文分词的支持还不够完善，从测试的结果来看它是将中文词语分成单独 的字进行处理的。但是瑕不掩瑜，作为一个开源的搜索引擎项目，Nutch的功能不仅可圈可点，而且从对它源代码的解读中可以使我们对搜索引擎的运行机理和 相关算法有了更加深入的了解。此外，Nutch优秀的设计架构使得用户能够非常容易的开发自己的插件，以实现个性化的需求与功能。相信随着Nutch不断 的改进和成熟，在不久的将来，基于Nutch的个人搜索引擎以及行业垂直搜索引擎会不断的涌现出来。

下面部分转自：http://blog.csdn.net/liyang23456/archive/2007/08/20/1751253.aspx

2.Nutch You should know

2.1 一份文档

nutch的文档不多，而且多是安装文档，要深入nutch，就必须一字不漏的阅读：

Introduction to Nutch, Part 1 Crawling    和 Introduction to Nutch, Part 2 Searching

然后就是看源码了，好在nutch的源码非常均匀，简短，没有花哨的技巧，很容易把事情看明白。

2.2 三个目录

首先理解nutch的三个数据目录：

1.crawdb,linkdb 是web link目录，存放url 及url的互联关系，作为爬行与重新爬行的依据，页面默认30天过期。

2.segments 是主目录，存放抓回来的网页。页面内容有bytes[]的raw content 和 parsed text的形式。nutch以广度优先的原则来爬行，因此每爬完一轮会生成一个segment目录。

3.index 是lucene的索引目录，是indexs里所有index合并后的完整索引，注意索引文件只对页面内容进行索引，没有进行存储，因此查询时要去访问segments目录才能获得页面内容。

3.Nutch 每条索引记录的字段

url： 作为唯一标标识值，由BasicIndexingFilter类产生。

segment： 由Indexer类产生。Nutch抓回来的页面内容放在segments目录，lucene只会索引，不会store原文内容，因此在查询时要以 segment与url作为外键，由FetchedSegments类根据hitsDetail从segments目录获得content。

boost：优先级，由Indexer类调用插件计算产生。

title：显示标题，在BasicIndexingFilter插件中被索引和存储。

content： 主要的被搜索项，在BasicIndexingFilter插件中被索引。