打开$nutch/conf/crawl-urlfilter.txt，找到这两行
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*.)*MY.DOMAIN.NAME/
红色部分是一个正则，改写为如下形式
+^http://([a-z0-9]*.)*com.cn/
+^http://([a-z0-9]*.)*cn/
+^http://([a-z0-9]*.)*com/
3.修改$nutchconf utch-site.xml为如下内容,否则不会抓取。
<configuration>
<property>
<name>http.agent.name</name>
<value>*</value>
</property>
</configuration>
4.运行crawl抓取网页
1. 首先在nutch-0.9根目录下建一个logs文件夹，在该文件夹下建一个logs1.txt文件。
2. 在Cygwin2控制台下转到nutch目录下，例如nutch安装在f: utch-0.9下，则输入如下命令： cd f: utch-0.9.
运行如下命令，开始抓取指定网页中的内容。其中斜体的部分需要注意。
bin/nutch crawl url.txt -dir mydir -depth 2 -threads 4
其中：
-url.txt 就是刚才我们创建的url.txt文件,文件中存放我们要抓取的网址；
-dir 指定抓取内容所存放的目录，如上存在mydir中；
-threads 指定并发的线程数；
-depth 指定从根URL起将要爬行的深度；
通常抓取的时间会有5-10分钟。抓取后，在nutch目录下生成一个mydir文件夹。
每次抓取时，会检查$nutch是否存在与mydir相同的文件夹名，如果存在，会抛出异常。
抓取结束后会在mydir目录下生成如下结构的目录。
同时在&nutch下会生成logs目录，在此目录下会生成一个hadoop.log的日志文件。包括抓取网页的过程描述。
5.搜索抓取文件的设置
将$nutch下面的war文件（如果是0.9版本的nutch，则是nutch-0.9.war），拷贝到Tomcatwebapps下，用winrar解压到此目录下，解压文件夹名为：nutch-0.9, 打开nutch-0.9WEB-INFclasses下nutch-site.xml文件，将
<configuration></configuration>
改为
<configuration>
<property>
<name>searcher.dir</name>
<value>D:\nutch-0.9\mydir</value>
</property>
</configuration>
value属性的值为从网站抓取的文件存放的路径，也就是上文中mydir的完整路径。
6.搜索乱码的解决
如结果出现乱码将tomcatconf下的server.xml中的Connector部分改成如下形式：（红色部分为添加的）
<Connector port="8080" maxThreads="150" minSpareThreads="25" maxSpareThreads="75" enableLookups="false" redirectPort="8443" acceptCount="100" connectionTimeout="20000" disableUploadTimeout="true"
URIEncoding="UTF-8" useBodyEncodingForURI="true" />