大数据——nutch1.8+solr 4 配置过程+ikanalayzer2012 中文分词器

Nutch 2.2.1目前性能没有Nutch 1.7好，参考这里，NUTCH FIGHT! 1.7 vs 2.2.1. 所以我目前还是使用的Nutch 1.8。

1 下载已编译好的二进制包，解压

$ wget http://psg.mtu.edu/pub/apache/nutch/1.8/apache-nutch-1.8-bin.tar.gz
$ tar zxf apache-nutch-1.8-bin.tar.gz
将解压后的文件移到/usr中,存为nutch-1.8

也可下载tar.gz文件包，http://mirrors.cnnic.cn/apache/下载后解压。移到自己的安装目录： 

$ sudo mv apache-nutch-1.8 /usr/nutch-1.8

2 验证一下

$ cd /usr/nutch-1.8
$ bin/nutch

如果出现”Permission denied”请运行下面的命令：

$ chmod +x bin/nutch
出现nutch使用帮助即可。

如果有Warning说 JAVA_HOME没有设置，请设置一下JAVA_HOME.jdk环境配置问题。

3 添加种子URL

在nutch文件夹中

mkdir urls
sudo gedit /urls/seed.txt
添加要爬取的url链接，例如 http://www.tianya.cn/

4 设置URL过滤规则

如果只想抓取某种类型的URL，可以在 conf/regex-urlfilter.txt设置正则表达式，于是，只有匹配这些正则表达式的URL才会被抓取。

例如，我只想抓取豆瓣电影的数据，可以这样设置：

#注释掉这一行
# skip URLs containing certain characters as probable queries, etc.
#-[?*!@=]
# accept anything else
#注释掉这行
#+.
+^http:\/\/movie\.douban\.com\/subject\/[0-9]+\/(\?.+)?$
+^表示可以匹配所有url链接

爬虫爬取时，需要约束爬取的范围。基本所有的爬虫都是通过正则表达式来完成这个约束。

最简单的，正则：

http://www.xinhuanet.com/.*

代表"http://www.xinhuanet.com/"后加任意个任意字符（可以是0个）。

通过这个正则可以约束爬虫的爬取范围,但是这个正则并不是表示爬取新华网所有的网页。新华网并不是只有www.xinhuanet.com这一个域名，还有很多子域名，类似:news.xinhuanet.com

这个时候我们需要定义这样一个正则:

http://([a-z0-9]*\.)*xinhuanet.com/

这样就可以限制爬取新华网所有的网页了。

每种爬虫的正则约束系统都有一些区别，这里拿Nutch、WebCollector两家爬虫的正则系统做对比：

Nutch官网： http://nutch.apache.org/

WebCollector官网: http://crawlscript.github.io/WebCollector/ 

5 设置agent名字

conf/nutch-site.xml:

  http.agent.name
  My Nutch Spider

这里的配置参考nutch-default.xml,给value赋值即可

6 安装Solr

由于建索引的时候需要使用Solr，因此我们需要安装并启动一个Solr服务器。

参考Nutch Tutorial 第4、5、6步，以及Solr Tutorial。

6.1 下载，解压

$  wget http://mirrors.cnnic.cn/apache/lucene/solr/4.8.1/solr-4.8.1.tgz 

也可以下载tar.gz文件包。http://apache.fayea.com/lucene/solr/

$ tar -zxvf solr-4.8.1.tgz

$ sudo mv solr-4.8.1 /usr/solr4.8.1

6.2 运行Solr

cd /usr/solr4.8.1/example
java -jar start.jar

验证是否启动成功

用浏览器打开 

http://localhost:8983/solr/#/

，如果能看到页面，说明启动成功。

6.3 将Nutch与Solr集成在一起

NUTCH安装目录是：/usr/nutch1.8

SOLR安装目录是：/usr/solr4.8.1

将NUTCH-1.8/conf/schema-solr4.xml拷贝到SOLR_DIR/exanple/solr/collection1/conf/，重命名为schema.xml，并在...最后添加一行(具体解释见Solr 4.2 - what is _version_field?)，

重启Solr，

# Ctrl+C to stop Solr
java -jar start.jar

7 使用crawl脚本一键抓取

Nutch自带了一个脚本，./bin/crawl，把抓取的各个步骤合并成一个命令，看一下它的用法

$ bin/crawl 
Missing seedDir : crawl    

注意，是使用bin/crawl，不是bin/nutch crawl，后者已经是deprecated的了。

7.1 抓取网页

$ ./bin/crawl ~/urls/ ./TestCrawl http://localhost:8983/solr/ 2

• ～/urls 是存放了种子url的目录
• TestCrawl 是存放数据的根目录（在Nutch 2.x中，则表示crawlId，这会在HBase中创建一张以crawlId为前缀的表，例如TestCrawl_Webpage）
• http://localhost:8983/solr/ , 这是Solr服务器
• 2，numberOfRounds，迭代的次数

过了一会儿，屏幕上出现了一大堆url，可以看到爬虫正在抓取！

fetching http://music.douban.com/subject/25811077/ (queue crawl delay=5000ms)
fetching http://read.douban.com/ebook/1919781 (queue crawl delay=5000ms)
fetching http://www.douban.com/online/11670861/ (queue crawl delay=5000ms)
fetching http://book.douban.com/tag/绘本 (queue crawl delay=5000ms)
fetching http://movie.douban.com/tag/科幻 (queue crawl delay=5000ms)
49/50 spinwaiting/active, 56 pages, 0 errors, 0.9 1 pages/s, 332 245 kb/s, 131 URLs in 5 queues
fetching http://music.douban.com/subject/25762454/ (queue crawl delay=5000ms)
fetching http://read.douban.com/reader/ebook/1951242/ (queue crawl delay=5000ms)
fetching http://www.douban.com/mobile/read-notes (queue crawl delay=5000ms)
fetching http://book.douban.com/tag/诗歌 (queue crawl delay=5000ms)
50/50 spinwaiting/active, 61 pages, 0 errors, 0.9 1 pages/s, 334 366 kb/s, 127 URLs in 5 queues

7.2 查看结果

$ bin/nutch readdb TestCrawl/crawldb/ -stats
14/02/14 16:35:47 INFO crawl.CrawlDbReader: Statistics for CrawlDb: TestCrawl/crawldb/
14/02/14 16:35:47 INFO crawl.CrawlDbReader: TOTAL urls:	70
14/02/14 16:35:47 INFO crawl.CrawlDbReader: retry 0:	70
14/02/14 16:35:47 INFO crawl.CrawlDbReader: min score:	0.005
14/02/14 16:35:47 INFO crawl.CrawlDbReader: avg score:	0.03877143
14/02/14 16:35:47 INFO crawl.CrawlDbReader: max score:	1.23
14/02/14 16:35:47 INFO crawl.CrawlDbReader: status 1 (db_unfetched):	59
14/02/14 16:35:47 INFO crawl.CrawlDbReader: status 2 (db_fetched):	11
14/02/14 16:35:47 INFO crawl.CrawlDbReader: CrawlDb statistics: done

8 一步一步使用单个命令抓取网页

上一节为了简单性，一个命令搞定。本节我将严格按照抓取的步骤，一步一步来，揭开爬虫的神秘面纱。感兴趣的读者也可以看看 bin/crawl 脚本里的内容，可以很清楚的看到各个步骤。

先删除第7节产生的数据，

$ rm -rf TestCrawl/

8.1 基本概念

Nutch data is composed of:

• The crawl database, or crawldb. This contains information about every URL known to Nutch, including whether it was fetched, and, if so, when.
• The link database, or linkdb. This contains the list of known links to each URL, including both the source URL and anchor text of the link.
• A set of segments. Each segment is a set of URLs that are fetched as a unit. Segments are directories with the following subdirectories:
  • a crawl_generate names a set of URLs to be fetched
  • a crawl_fetch contains the status of fetching each URL
  • a content contains the raw content retrieved from each URL
  • a parse_text contains the parsed text of each URL
  • a parse_data contains outlinks and metadata parsed from each URL
  • a crawl_parse contains the outlink URLs, used to update the crawldb

8.2 inject:使用种子URL列表，生成crawldb

$ bin/nutch inject TestCrawl/crawldb ~/urls

将根据～/urls下的种子URL，生成一个URL数据库，放在crawdb目录下。

8.3 generate

$ bin/nutch generate TestCrawl/crawldb TestCrawl/segments

这会生成一个 fetch list，存放在一个segments/日期目录下。我们将这个目录的名字保存在shell变量s1里：

$ s1=`ls -d TestCrawl/segments/2* | tail -1`
$ echo $s1

8.4 fetch

$ bin/nutch fetch $s1

将会在 $1 目录下，生成两个子目录, crawl_fetch 和 content。

8.5 parse

$ bin/nutch parse $s1

将会在 $1 目录下，生成3个子目录, crawl_parse, parse_data 和 parse_text 。

8.6 updatedb

$ bin/nutch updatedb TestCrawl/crawldb $s1

这将把crawldb/current重命名为crawldb/old，并生成新的 crawldb/current 。

8.7 查看结果

$ bin/nutch readdb TestCrawl/crawldb/ -stats

8.8 invertlinks

在建立索引之前，我们首先要反转所有的链接，这样我们就可以获得一个页面所有的锚文本，并给这些锚文本建立索引。

$ bin/nutch invertlinks TestCrawl/linkdb -dir TestCrawl/segments

8.9 solrindex, 提交数据给solr，建立索引

$ bin/nutch solrindex http://localhost:8983/solr TestCrawl/crawldb/ -linkdb TestCrawl/linkdb/ TestCrawl/segments/20140203004348/ -filter -normalize

8.10 solrdedup, 给索引去重

有时重复添加了数据，导致索引里有重复数据，我们需要去重，

$bin/nutch solrdedup http://localhost:8983/solr

8.11 solrclean, 删除索引

如果数据过时了，需要在索引里删除，也是可以的。

$ bin/nutch solrclean TestCrawl/crawldb/ http://localhost:8983/solr

9.solr与tomcat整合

9.1 下载tomcat安装包，点这里下载：http://tomcat.apache.org/download-70.cgi
$ tar -zxvf apache-tomcat-7.0.57.tar.gz
$ sudo mv apache-tomcat-7.0.57 /usr/tomcat
这里我的安装目录是/usr/tomcat

9.2 整合solr与tomcat

假定$SOLR_HOME为/usr/tomcat/solr

步骤1，从solr-4.8.1/dist复制solr-4.8.1.war到$SOLR_HOME下的wabapps中，并重命名为solr.war；

步骤2，将solr-4.8.1/example/solr复制到$/usr/tomcat目录；

步骤3，在tomcat/conf/catalina/localhost下新建solr.xml，如下：

xml version="1.0" encoding="utf-8"?>
<Context docBase="/usr/tomcat/wabapps/solr.war" reloadable="true" >
    <Environment name="solr/home" type="java.lang.String" value="/usr/tomcat/solr" override="true" />
Context>

步骤4，从solr-4.8.1/example/lib/ext复制所有的jar到tomcat/lib下，并复制solr-4.8.1/example/resources/log4j.properties到tomcat/lib下(有关日志的说明，见http://wiki.apache.org/solr/SolrLogging)，须知，solr-4.8.1.jar并没有自带日志打印组件，因此这个步骤不执行，可能引起“org.apache.catalina.core.StandardContext filterStart SEVERE: Exception starting filter SolrRequestFilter org.apache.solr.common.SolrException: Could not find necessary SLF4j logging jars.”异常；

步骤五， 进入到 /tomcat/solr/collection1/conf/ 目录下的solrconfig.xml文件中，修改两处，一是注释掉文件中的这一部分代码,大致可以知道,这个简单的项目用不到这些配置:

[plain] view plaincopy

二是配置一个数据索引文件夹,这里配置到 /tomcat/solrindex :没有solrindex记得创建

[plain] view plaincopy

  
${solr.data.dir:}  
  
  
${solr.data.dir:/tomcat/solrindex}  

步骤六 ， 配置/usr/tomcat/webapps/solr/WEB-INF项目的web.xml,这里正确的配置为:

   solr/home
   /usr/tomcat/solr
   java.lang.String

10.配置IK

a.下载  ikanalayzer2012:

http://code.google.com/p/ik-analyzer/downloads/list

本例使用  IK Analyer 2012-FF hotfix 1 

该版本可以适用 solr 4.0, 其它版本可能不兼容.

b.下载后,unzip 解压,将 jar 文件复制到  /usr/solr/example/solr-webapp/webapp/WEB-INF/lib

并在  /usr/solr/example/solr-webapp/webapp/WEB-INF/ 下新建目录: classes

将 stopword.dic 和  IKAnalyzer.cfg.xml 复制到其中.可以在该 xml 中配置其它的扩展词库

c.配置schema.xml文件,路径是:

/usr/solr/example/solr/collection1/conf/schema.xml

在众多fieldType当中添加一条

 

当建立索引时，要对name字段进行分词，在schema.xml中搜索，将其中的 name字段设置：

改为： 

type的内容即上面刚设置的一个fieldType: text_ik。

当建立索引的时候，name字段将按IK进行分词。 

d.重新启动

e.查看结果