Nutch1.7学习笔记：基本环境搭建及使用

Nutch1.7学习笔记：基本环境搭建及使用

作者：雨水，时间：2013-10-31博客地址：http://blog.csdn.net/gobitan

说明：Nutch有两个主版本1.x和2.x，它们的主要区别是2.x引入了Gora作为存储抽象层，从而支持各种NoSQL数据库，如HBase，Cassandra等。本文是以1.x的最新版Nutch1.7 (发布于2013年6月25日)为例。

环境准备：

1. 一台Ubuntu Linux服务器，可以装在VMware虚拟机中。
2. 下载Nutch1.7版本的二进制包，地址：http://www.apache.org/dyn/closer.cgi/nutch/，选择一个站点进入后，下载1.7目录下的apache-nutch-1.7-bin.zip.
3. 下载Solr3.6版本的二进制包，地址: http://www.apache.org/dyn/closer.cgi/lucene/solr/，选择一个站点进入后，下载3.6.2目录下的apache-solr-3.6.2.zip .

安装配置Nutch：

将apache-solr-3.6.2.zip解压，然后执行如下命令：

$mv apache-nutch-1.7nutch

$cd nutch

$bin/nutch

上面两行命令是进入解压后的目录，然后执行nutch命令。如果出现” Usage: nutch COMMAND”的帮助提示，则表明安装成功。如果有问题，可以检查看bin/nutch是否有可执行权限，如果没有可执行”chmod +x bin/nutch”命令添加可执行权限然后再尝试”bin/nutch”。

2. 配置JAVA_HOME环境变量

执行” echo $JAVA_HOME”如果返回空，则表明该变量未设置。需执行如下命令：

$cd

$vi .bashrc

然后将如下文本加入到.bashrc的末尾，注意：需将JAVA_HOME的值替换为你的Javajdk的路径。如果没有安装JDK，建议安装OracleJDK.

export JAVA_HOME=/home/dennis/jdk1.6.0_37

然后执行如下命令刷新当前的环境变量：

$. .bashrc

3. 配置Nutch

（1）配置conf/nutch-default.xml

$cd nutch

$ vi conf/nutch-default.xml

将http.agent.name属性的值改为如下：

<property>

 <name>http.agent.name</name>

 <value>My Nutch Spider</value>

</property>

 (2) 创建urls相关配置：

$ mkdir urls

$cd urls

$ touch seed.txt

然后将你希望爬的网址放入seed.txt中，这里以” http://nutch.apache.org”为例。

(3) 编辑conf/regex-urlfilter.txt将原有的

# accept anything else

+.

替换为你以正则表达式匹配的你希望爬的地址。例如：

+^http://([a-z0-9]*.)*nutch.apache.org/

这是用正则表达式来限制爬虫的范围仅限于nutch.apache.org这个域。

运行Nutch:

$ bin/nutch crawl urls -dir crawl -depth 3 -topN5

运行上述命令执行爬虫。

与Solr集成：

1. 安装：将apache-solr-3.6.2.zip解压，然后执行如下命令：

$mv apache-solr-3.6.2 solr

$cd solr/example

$ java -jar start.jar

2. 验证：分别访问如下两个链接，需都能正常访问才可。

http://localhost:8983/solr/admin/

http://localhost:8983/solr/admin/stats.jsp

3. 与Nutch集成：

(1) 拷贝schema.xml配置文件

将nutch/conf/schema-solr.xml拷贝至solr/example/solr/conf/下，并重命名为schema.xml(覆盖原有的)。

(2) 执行”java -jar start.jar”重启Solr，需先进入solr/example目录。

(3) 执行Solr索引命令，如下：

bin/nutch solrindex http://127.0.0.1:8983/solr/crawl/crawldb -linkdb crawl/linkdb crawl/segments/*

注意：执行时需先进入nutch目录。

(4) 访问http://192.168.128.129:8983/solr/admin/测试，可以在Query String中输入” GettingStarted”进行查询，可以得到两个结果。

还可以集成中文分词，以便更好地支持中文。

集成中文分词相关配置如下：

 

schema.xml

<fieldType name="text"class="solr.TextField">

               <analyzer class="org.wltea.analyzer.lucene.IKAnalyzer"/>

       </fieldType>

solrconfig.xml

<lib dir="../../contrib/ik/lib"regex=".*.jar" />

同时需下载对应的jar包放至相应的目录。

参考资料：

1. http://wiki.apache.org/nutch/NutchTutorial