Nutch 1.0 完全配置笔记

下载Nutch 1.0。(Require JDK 1.5 or later release)

1.   linux环境下解压到本地目录，手动添加

日志文件夹----/log/log.txt

URL文件夹----/urls/url.txt
Index文件夹-----/indexs

2.   修改nutch-1.0"conf"nutch-site.xml文件

在<configuration></configuration>中添加

<property><name></name><value></value></property>

不修改也无所谓，这里的设置，是因为nutch遵守了robots协议，在获取response时，把自己的相关信息提交给被爬行的网站，以供识别。

3.   修改nutch-1.0"conf"crawl-urlfilter.txt文件
把MY.DOMAIN.NAME字符替换为url.txt内的域名（比如我改成了“+^http://([a-z0-9]*".)*163.com/”，其实更简单点，直接删除MY.DOMAIN.NAME这几个字就可以了，也就是说，只保存+^http://([a-z0-9]*".)*这几个字就可以了，表示所有http的网站都同意爬行）。

4.   确保JAVA环境变量path正确；

5.   在Linux Shell控制台下运行nutch 命令行:

Sudo bin/nutch crawl urls -dir indexs -depth 2 -threads 4 -topN 1000 >&LOGS/log.txt

这里-dir表示存储的目录，-depth表示网址爬的深度，最后是指明日志文件

运行结束后，你可以打开日志文件查看爬虫运行的详细过程。

6.   部署搜索工程--在tomcat上运行Nutch

把nutch-1.0.war拷贝到Tomcat""webapps"下面，修改nutch-1.0.war中nutch-1.0/WEB-INF/classes/nutch-site.xml 文件，在<configuration></configuration>中添加

<property>

<name>search.dir</name>

<value>/indexs</value>(在windows下也输入绝对路径)

</property>

7.   为了支持中文的搜索，修改Tomcat"conf"server.xml
<Connector port="8080" protocol="HTTP/1.1"

connectionTimeout="20000"

redirectPort="8443"/>

      添加属性 URIEncoding="UTF-8"

                    useBodyEncodingForURI="true"

8.   启动tomcat ，输入http://localhost:8080/nutch-1.0/ 进行搜索。