zoukankan      html  css  js  c++  java
  • 在Eclipse中运行Nutch2.3


    参考http://wiki.apache.org/nutch/RunNutchInEclipse


    一、环境准备

    1、下载nutch2.3源代码

    wget http://mirror.bit.edu.cn/apache/nutch/2.3/apache-nutch-2.3-src.tar.gz
    或者下载正在开发中的最新版本
     svn co https://svn.apache.org/repos/asf/nutch/branches/2.x


    2、选择使用的数据库类型,以hbase为例
    在conf/nutch-site.xml中增加以下属性:

    <property>
      <name>storage.data.store.class</name>
      <value>org.apache.gora.hbase.store.HBaseStore</value>
      <description>Default class for storing data</description>
     </property>


    3、在ivy/ivy.xml中增加与hbase相关的依赖项,此项本已存在,但被注释掉,将注释去掉即可

    <dependency org="org.apache.gora" name="gora-hbase" rev="0.5" conf="*->default” />
    注意,rev=0.5对应hbase0.94,rev=0.3对应hbase0.90.4


    4、在nutch.xml中增加以下3个属性

    <property>
       <name>http.agent.name</name>
       <value>My Nutch Spider</value>
     </property>
    <property>
       <name>http.robots.agents</name>
       <value>none</value>
     </property>
    <property>
       <name>plugin.folders</name>
       <value>/Users/liaoliuqing/0_Search/1_Nutch/1_Official/apache-nutch-2.3/build/plugins</value>
     </property>
    其中plugin.folders的值为$NUTCH_HOME/build/plugins


    5、执行ant eclipse


    二、导入project

    1、导入project


    2、在build path中,将apche-nutch-2.3/conf放到最上面,即点击top按键



    三、运行程序

    1、Run as ----> Run configuration,选择project与主类


    2、填写参数

    /Users/liaoliuqing/Downloads/seed.txt

    -Dhadoop.log.dir=logs -Dhadoop.log.file=hadoop.log


    3、点击run,输出结果如下:

    InjectorJob: starting at 2015-01-28 16:27:43
    InjectorJob: Injecting urlDir: /Users/liaoliuqing/Downloads/seed.txt
    InjectorJob: Using class org.apache.gora.hbase.store.HBaseStore as the Gora storage class.
    InjectorJob: total number of urls rejected by filters: 0
    InjectorJob: total number of urls injected after normalization and filtering: 1
    Injector: finished at 2015-01-28 16:27:47, elapsed: 00:00:04


    注意,在运行程序前,本机需要先启动hbase。


    4、查看hbase中的数据

    hbase(main):003:0> scan 'webpage'
    ROW                                         COLUMN+CELL                                                                                                                 
     com.163.www:http/                          column=f:fi, timestamp=1422433667377, value=x00'x8Dx00                                                                   
     com.163.www:http/                          column=f:ts, timestamp=1422433667377, value=x00x00x01K/xA7:x14                                                         
     com.163.www:http/                          column=mk:_injmrk_, timestamp=1422433667377, value=y                                                                        
     com.163.www:http/                          column=mk:dist, timestamp=1422433667377, value=0                                                                            
     com.163.www:http/                          column=mtdt:_csh_, timestamp=1422433667377, value=?x80x00x00                                                             
     com.163.www:http/                          column=s:s, timestamp=1422433667377, value=?x80x00x00                                                                    
    1 row(s) in 0.2970 seconds






  • 相关阅读:
    【详记MySql问题大全集】四、设置MySql大小写敏感(踩坑血泪史)
    【详记MySql问题大全集】三、安装之后没有my.ini配置文件怎么办
    【详记MySql问题大全集】二、安装并破解Navicat
    【详记MySql问题大全集】一、安装MySql
    【从零开始搭建自己的.NET Core Api框架】(五)由浅入深详解CORS跨域机制并快速实现
    Redhat6.5编译安装MySQL5.6.38详解
    聚宽常用函数汇总
    小象机器学习(邹博老师)学习笔记
    Python画图色板
    kaggle注册、短信验证终极解决方案(亲测181205)
  • 原文地址:https://www.cnblogs.com/eaglegeek/p/4557838.html
Copyright © 2011-2022 走看看