nutch和solr建立搜索引擎基础（单机版）

nutch和solr建立搜索引擎基础（单机版）

Nutch[1] 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。
Solr[2]是一个基于Lucene的全文搜索服务器，它对外提供类似于Web-service的API查询接口，是一款非常优秀的全文搜索引擎。

为什么要整合nutch和solr？

简单地讲，nutch重在提供数据源采集（Web爬虫）能力，轻全文搜索(lucene)能力；solr是lucene的扩展，亦是nutch的全文搜索的扩展。重在将nutch的爬取结果，通过其对外提供检索服务。

一、版本选择

1. nutch-1.13

支持hadoop，可以通过hadoop，获得分布式爬虫的能力。本文重点介绍nutch的原力，关于分布式爬虫，将在后续章节中介绍。另外，nutch-2.x系列支持hbase，可以根据自身的需要灵活选择。需要说明的是两版的用法是不同的，nutch-2.x要更为复杂。在使用nutch-2.x之前，最好具备nutch-1.x的基础。

2. Solr-6.6.0

截止发稿时是最新版本，可参考官网的解释，这里没什么要说的。

二、安装环境准备

1. 系统环境

Ubuntu14.04x64 或 Centos6.5x64, 应用程序采用二进制安装，不要求编译环境

2. java环境

vim /etc/profile
# set for java
export JAVA_HOME=/opt/jdk1.8.0_111  #二进制包已经解压安装到该路径
export PATH=$PATH:$JAVA_HOME/bin
export CLASSPATH=.:$CLASSPATH:$JAVA_HOME/lib
export _JAVA_OPTIONS="­Xmx2048m ­XX:MaxPermSize=512m ­Djava.awt.headless=true"

注：java的安装方法选择二进制包即可，本文不再赘述

3. nutch+solr环境

vim /etc/profile
export NUTCH_RUNTIME_HOME='/opt/apache-nutch-1.13'
export PATH=$NUTCH_RUNTIME_HOME/bin:$PATH
export APACHE_SOLR_HOME='/opt/solr-6.6.0'    #单引号不能少
export PATH=$APACHE_SOLR_HOME/bin:$PATH
export CLASSPATH=.:$CLASSPATH:$APACHE_SOLR_HOME/server/lib

source /etc/profile #加载到环境

三、solr的安装与配置

solr的安装（二进制包）

wget http://mirror.bit.edu.cn/apache/lucene/solr/6.6.0/solr-6.6.0.tgz
cat solr-6.6.0.tgz |(cd /opt; tar xzfp -)
solr status  #注：如果执行结果不正常，执行`source /etc/profile`和检查该文件的内容
No Solr nodes are running.
#启动solr服务
solr start -force   #-force：强制以root身份执行，生产环境请勿使用该参数
#停止solr服务
solr stop

安装完毕。

solr的配置

cd ${APACHE_SOLR_HOME}
cp -r server/solr/configsets/basic_configs server/solr/configsets/nutch
cp ${NUTCH_RUNTIME_HOME}/conf/schema.xml server/solr/configsets/nutch/conf
mv server/solr/configsets/nutch/conf/managed-schema server/solr/configsets/nutch/conf/managed-schema.backup
#启动solr服务
solr start
#创建nutch core
solr create -c nutch -d server/solr/configsets/nutch/conf/ -force #-force：强制以root身份执行，生产环境请勿使用该参数

创建过程并非一帆风顺，整个过程充满了各种bug，从这个角度考虑，生产环境中有必要更换到solr的稳定版，好在这些坑已经趟过：

问题1：Caused by: Unknown parameters: {enablePositionInc rements=true}
具体信息：
Copying configuration to new core instance directory:
/opt/solr-6.6.0/server/solr/nutch
Creating new core 'nutch' using command:
http://localhost:8983/solr/admin/cores?action=CREATE&name=nutch&instanceDir=nutch
ERROR: Error CREATEing SolrCore 'nutch': Unable to create core [nutch] Caused by: Unknown parameters: {enablePositionIncrements=true}
解决办法：
vim  server/solr/configsets/nutch/conf/schema.xml 找到并去掉enablePositionIncrements=true

问题2：ERROR: Error CREATEing SolrCore 'nutch': Unable to create core [nutch] Caused by: defaultSearchField has been deprecated and is incompatible with configs with luceneMatchVersion >= 6.6.0.  Use 'df' on requests instead.
解决办法：
vim server/solr/configsets/nutch/conf/solrconfig.xml 将luceneMatchVersion版本修改为6.2.0

问题3：org.apache.solr.common.SolrException: fieldType 'booleans' not found in the schema
解决办法:
vim /opt/solr-6.6.0/server/solr/configsets/nutch/conf/solrconfig.xml
找到booleans，替换成boolean，如下：
<lst name="typeMapping">
    <str name="valueClass">java.lang.Boolean</str>
    <str name="fieldType">boolean</str>
</lst>
Then it will work..

问题3以后，会发生多起类似事件，如下：
ERROR: Error CREATEing SolrCore 'nutch': Unable to create core [nutch] Caused by: fieldType 'tdates' not found in the schema
ERROR: Error CREATEing SolrCore 'nutch': Unable to create core [nutch] Caused by: fieldType 'tlongs' not found in the schema
ERROR: Error CREATEing SolrCore 'nutch': Unable to create core [nutch] Caused by: fieldType 'tdoubles' not f ound in the schema
参照问题3的方法，一次性去掉''中关键字的复数形式即可。

问题4：ERROR:
Core 'nutch' already exists!
Checked core existence using Core API command:
http://localhost:8983/solr/admin/cores?action=STATUS&core=nutch
解决办法：
solr delete -c nutch       #删除core 'nutch'
如果删除完，还提示这个错误，这是由于每次修改完配置文件，需要重启下solr服务，更新下状态。

最终的执行结果：
solr create -c nutch -d server/solr/configsets/nutch/conf/ -force
Copying configuration to new core instance directory:
/opt/solr-6.6.0/server/solr/nutch

Creating new core 'nutch' using command:
http://localhost:8983/solr/admin/cores?action=CREATE&name=nutch&instanceDir=nutch

{
  "responseHeader":{
    "status":0,
    "QTime":3408},
  "core":"nutch"}
执行成功！

在浏览器中访问
http://localhost:8983/solr/#/
可以看到名称为nutch的core

solr的安全设置

1. realm.properties

cd /opt/solr-6.6.0/server
cat etc/realm.properties
#
# 这个文件定义用户名,密码和角色
#
# 格式如下
#  <username>: <password>[,<rolename> ...]
#
#userName: password,role
yourname: yourpass,admin

2. solr-jetty-context.xml

cat contexts/solr-jetty-context.xml
<?xml version="1.0"?>
<!DOCTYPE Configure PUBLIC "-//Jetty//Configure//EN" "http://www.eclipse.org/jetty/configure_9_0.dtd">
<Configure class="org.eclipse.jetty.webapp.WebAppContext">
  <Set name="contextPath"><Property name="hostContext" default="/solr"/></Set>
  <Set name="war"><Property name="jetty.base"/>/solr-webapp/webapp</Set>
  <Set name="defaultsDescriptor"><Property name="jetty.base"/>/etc/webdefault.xml</Set>
  <Set name="extractWAR">false</Set>
  <Get name="securityHandler">
    <Set name="loginService">
        <New class="org.eclipse.jetty.security.HashLoginService">
            <Set name="name">Solr Admin Access</Set>
            <Set name="config"><SystemProperty name="jetty.home" default="."/>/etc/realm.properties</Set>
        </New>
    </Set>
  </Get>
</Configure>

3. WEB-INF/web.xml

vim solr-webapp/webapp/WEB-INF/web.xml
  <!-- Get rid of error message -->
  <security-constraint>
    ...
  </security-constraint>

  <security-constraint>
  　　<web-resource-collection>
      　　<web-resource-name>Solr auth enticated application</web-resource-name>  <!--描述-->
      　　<url-pattern>/</url-pattern>  <!-- 验证的网页的位置-->
      </web-resource-collection>
       <auth-constraint>
          <role-name>admin</role-name>  <!-- 验证的角色，别写成用户名，如有多个角色可以写多个role-name 标签-->
       </auth-constraint>
   </security-constraint>
   <login-config>
          <auth-method>BASIC</auth-method>  <!-- 关键-->
          <realm-name>Solr Admin Access</realm-name>
  </login-config>

</web-app>

重启solr服务
solr stop　&& solr start -force

在浏览器中访问solr
http://localhost:8983/solr/nutch/
可以看到要求登录的界面

四、nutch的安装与配置

nutch的安装（二进制包）

wget http://mirrors.hust.edu.cn/apache/nutch/1.13/apache-nutch-1.13-bin.tar.gz
cat apache-nutch-1.13-bin.tar.gz |(cd /opt; tar xzfp -)
nutch -help   #注：如果执行结果不正常，执行`source /etc/profile`和检查该文件的内容

安装完毕。

nutch的配置

以爬取http://nutch.apache.org站点为例，配置如下：

1. 配置nutch-site.xml

vim $NUTCH_RUNTIME_HOME/conf/nutch-site.xml
<property>
 <name>http.agent.name</name>
 <value>My Nutch Spider</value>
</property>

#配置indexer-solr插件
#我的方法是替换indexer-elastic为indexer-solr插件
sed -i 's/indexer-elastic/indexer-solr/g' $NUTCH_RUNTIME_HOME/conf/nutch-site.xml
#注意：官方文档不是像我这样做的，请按照我的方法配置，或者注释掉indexer-elastic，否则会深受其害，踩坑过程后面会说

2. 建立URL列表

#为方便修改配置文件，选择conf文件夹作为数据的存储路径
cd $NUTCH_RUNTIME_HOME/conf
mkdir -p urls       #存储要爬取的URLS列表，每行只写一个url，可以多行
cd urls
echo 'http://nutch.apache.org/' > seed.txt  #地址可以是静态的链接，也可以是动态的链接

3. 设置url的正则匹配规则

vim regex-urlfilter.txt
将光标移到文件末尾，将下列内容：
# accept anything else
+.
替换为：
# accept anything else
 +^http://([a-z0-9]*.)*nutch.apache.org/ #这将包含带有域名前缀的url，比如，http://3w.nutch.apache.org

４. 允许抓取动态内容

vim crawl-urlfilter.txt regex-urlfilter.txt

替换：
  # skip URLs containing certain characters as probable queries, etc.
  -[?*!@=]
为：
  # accept URLs containing certain characters as probable queries, etc.
  +[?=&]

注： conf下有各种配置文件，涉及各种爬取规则和正则过滤器。将在后续的文章中详细说明

五、爬取和检索的过程

1. nutch爬取程序的概念组成

抓取程序自动在用户指定目录下面建立爬取目录，其目录下可以看到crawldb,segments,linkdb子目录

1. crawldb(爬虫数据库)

crawldb目录下面存放下载的URL,以及下载的日期、过期时间

2. linkdb-链接数据库

linkdb目录存放URL的关联关系，是下载完成后分析时创建的，通过这个关联关系可以实现类似google的pagerank功能

3. segments-一组分片

segments目录存储抓取的页面，这些页面是根据层级关系分片的。既segments下面子目录的个数与获取页面的层数有关系，如果指定“-depth”参数是10层，这个目录下就有10层，结构清晰并防止文件过大。
segments目录里面有6个子目录，分别是：

“crawl_generate” 生成要获取的一组URL的名字，既生成待下载的URL的集合
“crawl_fetch” 包含获取每个UR L的状态
”content“ 包含从每个URL检索的原始内容
“parse_text” 包含每个URL的解析文本（存放每个解析过的URL的文本内容）
“parse_data” 包含从每个URL分析的外部链接和元数据
“crawl_parse” 包含用于更新crawldb的outlink URL（外部链接库）

2. nutch的爬取流程说明

爬取过程包括

injector -> generator -> fetcher -> parseSegment -> updateCrawleDB -> Invert links -> Index -> DeleteDuplicates -> IndexMerger

1. 根据之前建好的URL列表文件，将URL集注入crawldb数据库---inject
2. 根据crawldb数据库创建抓取列表---generate
3. 执行抓取，获取网页信息---fetch
4. 执行解析，解析网页信息---parse
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2～4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

3. solr查询流程包括

1. 用户通过用户接口进行查询操作
2. 将用户查询转化为solr查询
3. 从索引库中提取满足用户检索需求的结果集

六、爬取和检索的实例

1. Inject

nutch inject crawl/crawldb urls

2. Generate

nutch generate crawl/crawldb crawl/segments

3. Fetching

s1=`ls -d crawl/segments/2* | tail -1`
echo $s1
nutch fetch $s1

4. Parse

nutch parse $s1

5. updatedb

nutch updatedb crawl/crawldb $s1

6. 循环抓取

重复2-4的过程，抓取下一层页面
演示过程中，为了节约时间，我们约定一个参数，只抓取前 top 1000 的页面

nutch generate crawl/crawldb crawl/segments -topN 1000
s2=`ls -d crawl/segments/2* | tail -1`
echo $s2
nutch fetch $s2
nutch parse $s2

updatedb:
nutch updatedb crawl/crawldb $s2

重复2-4的过程，抓取下下层的页面
同样只取前1000个页面进行抓取

nutch generate crawl/crawldb crawl/segments -topN 1000
s3=`ls -d crawl/segments/2* | tail -1`
echo $s3
nutch fetch $s3
nutch parse $s3

updatedb:
nutch updatedb crawl/crawldb $s3

这样我们总共抓取了三个层级深度的页面

ls crawl/segments/
20170816191100  20170816191415  20170816192100

7. Invertlinks

nutch invertlinks crawl/linkdb -dir crawl/segments

8. Indexing into Apache Solr(推送solr index)

nutch index -Dsolr.server.url=http://用户名:密码@localhost:8983/solr/nutch crawl/crawldb/ -linkdb crawl/linkdb/ crawl/segments/20170816191100/ -filter -normalize -deleteGone
#这里的“用户名:密码”是solr的jetty下的
值得一提的是，如果按照官方标准语法，上面命令会变为：
nutch index -Dsolr.auth.username="yourname" -Dsolr.auth.password="yourpassword" -Dsolr.server.url=http://localhost:8983/solr/nutch crawl/crawldb/ -linkdb crawl/linkdb/ crawl/segments/20170816191100/ -filter -normalize -deleteGone
这里会提示语法错误，在官网和google上还没有更好的解决办法。我已经把上面的方法更新到
http://lucene.472066.n3.nabble.com/Nutch-authentication-problem-to-solr-td4251336.html#a4351038
可能其它版本没有这个问题。
最终的推送结果如下：
nutch index -Dsolr.server.url=http://xxx:xxx@localhost:8983/solr/nutch crawl/crawldb/ -linkdb crawl/linkdb/ crawl/segments/20170816191100/ -filter -normalize -deleteGone
Segment dir is co mplete: crawl/segments/20170816191100.
Indexer: starting at 2017-08-17 18:22:26
Indexer: deleting gone documents: true
Indexer: URL filtering: true
Indexer: URL normalizing: true
Active IndexWriters :
SOLRIndexWriter
	solr.server.url : URL of the SOLR instance
	solr.zookeeper.hosts : URL of the Zookeeper quorum
	solr.commit.size : buffer size when sending to SOLR (default 1000)
	solr.mapping.file : name of the mapping file for fields (default solrindex-mapping.xml)
	solr.auth : use authentication (default false)
	solr.auth.username : username for authentication
	solr.auth.password : password for authentication


Indexing 1/1 documents
Deleting 0 documents
Indexer: number of documents indexed, deleted, or skipped:
Indexer:      1  indexed (add/update)
Indexer: finished at 2017-08-17 18:22:32, elapsed: 00:00:05

9. 在solr上查询

在浏览器中访问solr
http://localhost:8983/solr/

10. 通过脚本自动完成1-9

crawl -i -D solr.server.url=http://用户名:密码@localhost:8983/solr/ urls/ crawl/ 2

参考

https://wiki.apache.org/nutch/NutchTutorial#Install_Nutch
[1]https://wiki.apache.org/nutch/
[2]https://wiki.apache.org/solr/