nutch+hadoop

以前nutch和hadoop都分别配置成功过，但是配置过不等于什么都能记得，出了错误也不一定能判断为什么。趁着这次在集群上配置nutch，做个笔记，作为以后的参考。

hadoop环境搭建

1、硬件环境和软件

nutch-1.2  hadoop-0.20.2 网上去找下应该都有的，我就不给出地址了。

系统：ubuntu10.10（这个关系其实不大的）

两台电脑：

master：192.168.0.12

slave1：192.168.0.27

2、修改hostname和hosts

这两个文件都在etc下面，节点之间的通信有时候会用到IP地址，有时候会用到计算机名，所以需要给出节点IP地址跟计算机名的对应，linux系统中这种对应关系体现在/etc/hosts文件中，编辑hosts文件，按“IP   计算机名”的形式把各个节点写进hosts文件。

其中::1这一行是跟IPv6相关的，不需要去理会。其中127.0.0.1这一行是要注释掉的，不然之后运行hadoop的时候会出现“Bad connection to DFS”的错误，DFS是hadoop的文件系统。每次重启系统，hosts文件中都会自动自动加上一行127.0.0.1（原因不解），运行hadoop之前都要把这一行kill掉才行。

3、ssh无密码访问

Hadoop集群中节点都是通过ssh相互联系，进行数据传输，我们不可能为每次连接输入访问密码（常规ssh需要访问密码），所以我们需要进行相应配置，使节点之间的ssh连接不需要密码。我们可以通过设置密钥来实现。

首先在namenode跟datanode上安装ssh（一般情况下已经默认安装了）。

要是没有安装的话，命令为：

sudo apt-get install ssh

然后在所有的节点（包括namenode跟datanode）上创建公钥私钥。

创建公钥私钥命令：

ssh-keygen –t rsa

期间会要求输入一些信息，直接按回车就可以。这样，在默认的路径/home/hadoop/.ssh 目录下创建私钥 id_rsa 和一个公钥 id_rsa.pub 。

对于datanode 节点：

将自己的公钥发送到namenode 上：

cp id_rsa.pub  datanode1_rsa.pub
scp  datanode1_rsa.pub  slave1:/home/hadoop/.ssh

这里需要注意，由于每个datanode 节点都要将自己的公钥传到namenode 的相同路径下，因此，各个datanode 发送的公钥文件名不能相同。这里使用 cp 命令，在每台datanode 节点上将公钥文件复制为唯一名字的文件。

对于namenode 节点：

在收到所有 datanode 发送过来的公钥文件之后，要综合这些文件（包括自身），并将这些文件发送到每个节点上：

cp id_rsa.pub  authorized_keys
cat datanode1_rsa.pub>>authorized_keys

把公钥authorized_keys拷贝到所有节点的.ssh文件夹下：

scp authorized_keys slave1:/home/hadoop/.ssh 

这时一定要查看一下 ssh 配置是否成功，查看方式是使用 ssh 命令： ssh 其他机器 ip ，如果不需要密码就可以登录，就说明配置成功。如果还需要密码，干脆无法登录，则需要重启电脑。重启之后再次使用 ssh 命令，如果还需要密码或者无法登录，则需要重新配置一遍。

4.     JDK安装

JDK的安装我不想多说，需要注意的是：

1，  JDK版本要1.6以上的。

2，  各个节点JDK的安装路径最好是一样的，这样方便以后的统一管理，我的两台Fedora，JDK的路径都是/usr/lib/jvm/java-1.6.0;

3，  一般JDK安装完成后CLASSPATH跟PATH这两个环境变量都已经设置好了，但JAVA_HOME一般是没有自动设置的，而这个环境变量又恰恰是Hadoop所必需的，所以我们需要设置环境变量，永久的环境变量改变是修改文件/etc/profile。

vim /etc/profile 

在文件的末尾加入如下

export JAVA_HOME=/usr/lib/jvm/java-6-sun
export JRE_HOME=$JAVA_HOME/jre
export CLASSPATH=.:$JAVA_HOME/lib:$JRE_HOME/lib
export PATH=$JAVA_HOME/bin:$PATH

为了让文件的修改立即生效，可以键入如下命令

source  /etc/profile 

为了验证JDK的安装成功，我们可以键入命令

java  -version

出现的不是错误提示就说明JDK安装成功。

5.     Hadoop集群配置

把先前下载下来的apache-nutch-1.2-bin.zip压缩包解压到hadoop主目录下，生成一个nutch-1.2的文件夹(zip压缩文件可以用命令uzip解压)。

接下来就要对hadoop进行配置了。

进入nutch-1.2/conf文件夹，我们可以看到很多配置文件，首先我们需要修改的是hadoop-env.sh文件，取消对export JAVA_HOME的注释，并改成JDK的相应路径

set java environment
export JAVA_HOME=/usr/lib/jvm/java-6-sun 

然后是三个XML配置文件，core-site.xml 、hdfs-site.xml 、mapred-site.xml，这三个文件是配置的关键。

打开 core-site.xml

<configuration>
    <property>
        //此属性决定哪台机器是namenode以及端口，注意“//”
        <name>fs.default.name</name>
        <value>hdfs://master:9000</value>
     </property>
     <property>
    //临时文件夹的存放位置
        <name>hadoop.tmp.dir</name>
        <value>/home/hadoop-0.20.2/hadooptmp</value>
     </property>
</configuration>        

打开 hdfs-site.xml

<configuration>
  <property>
    //datanode数据存放位置
    <name>dfs.data.dir</name>
    <value>/usr/local/hadoop-0.20.2/data</value>
  </property>
  <property>
    //namenode数据存放位置
    <name>dfs.name.dir</name>
    <value>/usr/local/hadoop-0.20.2/name</value>
  </property>
  <property>
    //数据副本的数量，最小为1，不能比datanode的数量大。一般采用的策略是3，一个存本机，一个存同机架的不同节点，另外一个存不同机架
    <name>dfs.replication</name>
    <value>1</value>
    <description> 副本个数，不配置默认是3 </description>
  </property>
</configuration>

 打开 mapred-site.xml

<configuration>
  <property>
    //jobtracker节点IP跟端口
    <name>mapred.job.tracker</name>
    <value>master:9001</value>
  </property>
  <property>
    //tasktracker临时数据存放路径
    <name>mapred.local.dir</name>
    <value>/home/hadoop-0.20.2/temp</value>
  </property>
  <property>
    //每个task的map数量，暂时不知道具体怎么设置，但一般是datanode的数倍
    <name>mapred.map.tasks</name>
    <value>20</value>
  </property>
  <property>
    //每个task的reduce数量，暂时也不知道怎么设置会比较好，但一般情况下是datanode的数量
    <name>mapred.reduce.tasks</name>
    <value>2</value>
  </property>
</configuration>

在配置完 xml 文件之后，需要手动创建目录 /home/hadoop-0.20.2 。

另外两个需要配置的是conf/masters、 conf/slaves两个文件，前者告诉每个节点哪个是namenode，后者告诉每个节点datanode有哪些。

打开 masters 文件，加入 namenode 主机名

master

打开 slaves 文件，加入 datanode 主机名

master

slave1

至此，hadoop的集群配置完成了，为了测试配置是否正常，我们需要启动hadoop，并进行测试，启动hadoop之前，一定要把防火墙kill掉，命令如下：

/etc/init.d/iptables stop

为了避免每一次启动系统都要敲一遍命令，我的做法是直接关掉防火墙的开机自启动，命令如下：

chkconfig iptables off

cd到nutch-1.2目录下，所有的执行程序都在其中的bin目录中。

1，  格式化DFS，其实也就是对namenode进行格式化

bin/hadoop  namenode  -format

2，  启动hadoop进程

bin/start-all.sh

3，  对hadoop运行进行测试，看是否正常

Hadoop-0.20.2的许多发行包中都有自带的测试程序包hadoop-examples-0.20.203.jar，里面有些简单的分布式hadoop程序，如单词计数、排序等，我们下载的这个包里面没有自带测试程序（如果有需要那个examples包的可以找我要），所以我们键入命令

bin/hadoop  dfsadmin  -report

如果集群状态正常，并且每个datanode都“起来”了，那么就可以说hadoop的配置成功了。

另外，两个URL是我们应该知道的，http://master:50070 跟http://master:50030，可以比较直观地查看hadoop执行系统。

Nutch 配置

1.     单机（without Hadoop）测试

单机不想展开讲，写这个标题只是为了说明nutch也是可以单机运行的，只要不启动hadoop ,不在HDFS中crawl就行了。

2.     集群测试

配置 Nutch 配置文件

配置所有节点上的nutch-1.2/conf/nutch-site.xml文件

nutch-site.xml 文件

<?xml version="1.0"?>
<?xml-stylesheettype="text/xsl"href="configuration.xsl"?>
<!-- Putsite-specific propertyoverrides in this file. -->
<configuration>
  <property>
    <name>http.agent.name</name>
    <value>nutch-1.2</value>
    <description> 爬虫和搜索此参数必须配置</description>
  </property>
</configuration>

配置所有节点上的conf/crawl-urlfilter.txt文件//这是URL的过滤规则，另外有一个文件regex-urlfilter.txt，两个文件的区别跟关联网上都没有一个比较统一的说法。暂且不去理会

# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):
# skip image and other suffixes we can'tyet parse-/.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
# skip URLs containing certain charactersasprobable queries, etc.
-[?*!@=]
# skip URLs with slash-delimited segmentthatrepeats 3+ times, to break loops -.*(/[^/]+)/[^/]+/1/[^/]+/1/
# accept hosts in MY.DOMAIN.NAME
# 允许下载所有    //一般是设置这个地方，比如我想只抓取youku的视频文件，那么可以这样写+^http://v.youku.com/v_show/[a-zA-Z0-9_]*.html
+^
# skip everything else
-.

在执行爬虫之前，要创建一个本地文件，名为 urls ： touch /usr/local/nutch-1.2/urls

在文件内写入要爬的网址，如 http://www.sohu.com， 每个一行。

执行爬虫命令：

cd /usr/local/nutch-1.2/bin
./hadoop dfs –copyFromLocal/usr/local/nutch-1.2/urlsurls 
./nutch crawl urls -dir data -depth 3-topN 10

注意：

./hadoop dfs–copyFromLocal/usr/local/nutch-1.2/urls urls

该命令中的最后一个参数urls指的是hdfs 中的urls 文件，也就是说，将本地的某个urls 文件复制到hdfs 中。该命令执行之后，就会在hdfs 中的/user/hadoop/ 目录下创建一个名为urls 的文件。

./nutch crawl urls -dir data -depth 3-topN 10

该命令就是以hdfs 中的urls 文件作为爬虫要爬的入手地址，爬取的深度为3（也就是说可以从初始网页经过3次链接点击可以到达的页面），每一次抓取的网页是排名前10的网页，nutch执行过程当中产生的数据放在HDFS文件夹data内。

到目前为止，我们已经crawl到了自己想要的网页，做好了网页分析，做好了index。为了查看结果，我们需要设置tomcat，在浏览器中查看此搜索引擎工作的结果。

3.     Tomcat浏览结果

1.  安装 tomcat7

去网上下载好，解压即可。

2.  配置 tomcat 环境变量

vim /etc/profile

在 umask 022 之前添加：

exportCATALINA_HOME=/usr/share/tomcat    //这个看个人的tomcat安装路径
source /etc/profile

3.      启动tomcat7

/etc/init.d/tomcat7 start             //版本不同启动方式可能不同，这个具体可以上网查

4.      在 tomcat 中配置 nutch

将 nutch-1.2 目录下的nutch-1.2.war 复制到 tomcat 安装目录下的 webapps 目录下（ ***/ tomcat/webapps/ ）

浏览器中输入http://localhost:8080/nutch-1.2 ，将自动解压nutch-1.2.war ，在 webapps 下生成 nutch-1.2 目录。

配置***/tomcat/webapps/nutch-1.2/WEB-INF/classes/目录下的core-site.xml文件

<property>
  <name>fs.default.name</name>
  <value>hdfs://master:9000</value>
  <description> </description>
</property> 

配置***/tomcat/webapps/nutch-1.2/WEB-INF/classes/ 目录下的nutch-site.xml 文件

<property>
  <name>http.agent.name</name>不可少，否则无搜索结果
  <value>nutch-1.2</value>
  <description>HTTP'User-Agent' requestheader.</description>
</property>
<property>
  //tomcat的查询目录（索引目录），属于HDFS目录
  <name>searcher.dir</name>
  <value>/user/hadoop/data</value>
</property> 

按照上面的配置之后，启动tomcat，可以成功，但是在使用中文时会发现乱码，因为NUTCH 本身页面是unicode ，而TOMCAT 给的应该是GBK ，所以有这个问题，改一下***/tomcat/conf/server.xml

将

<Connectorport="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443"/>

改为

<Connectorport="8080" protocol="HTTP/1.1" connectionTimeout="20000" redirectPort="8443" URIEncoding='utf-8'/>

就是加了个编码。

重启 tomcat

/etc/init.d/tomcat7 restart

在浏览器中输入http://localhost:8080/nutch-1.2 ，出现如下页面：

文本框中输入搜索关键词，单机“搜索”，就可以得到匹配的网页，按照网页排名依次排下来。

4.     常用口令

1.  hadoop namenode -format
格式化namenode，也就是格式化HDFS文件系统
2.  start-all.sh
开始hadoop进程
3.  stop-all.sh
结束hadoop进程
4.  hadoopdfsadmin –report
报告HDFS的情况，datanode运行情况
5.  hadoopdfsadmin –safemode leave
离开安全模式，当有提示信息说处于安全模式的时候用这条指令
6.  hadoopfs  –ls  X
HDFS中的ls指令
7.  hadoopfs  –rmr  X
HDFS中的rm指令，注意的是该指令删除文件夹也不会给出提示信息
8.  hadoopfs  –copyFromLocal X  X
把文件从本地copy到HDFS，第一个是本地文件路径，第二个是DFS中的文件路径。
9.  hadoopfs  -copyToLocal X  X
把文件从HDFS copy到本地  ，第一个是DFS中的文件路径，第二个是本地路径。
10. nutch crawl X  –dir X  -depth X -topN X
nutch执行命令，第一个X为urls文件路径，第二个X为数据保存文件夹，第三个X是抓爬的深度，第四个X代表每层抓爬的网页数
11. nutch readdb X/crawldb  -stats
报告nutch执行情况，包括抓取的网页数等等，X表示data文件夹的路径
12. nutch readseg -dump X/segments/* X [-noparse  –nofetch –nogenerate –noparsedata  –nocontent  -noparsetext]
把数据库中的相关数据提取到HDFS中的文本文件。第一个X表示DFS中data文件夹路径，第二个X表示把数据提取到的文件。后面的可选参数可以选择需要提取的内容。

结束语

这只是nutch（hadoop）系统的初步搭建，具体的功能还需要同志们去细细挖掘，nutch的话可能就只是做做crawler，做做搜索引擎，hadoop可是潜力无穷的哈。

另外，部分常规配置我参照了网上前人的资料，但都是我亲身实践过证明可行的。