nutch2.1+mysql+elasticsearch整合linux单机部署

阅读更多

 

from internet

这次主要介绍下nutch2.1和mysql和elasticsearch的整合，是在单机上运行，并不是分布式部署。

1、下载nutch2.1

    nutch下载地址：http://labs.mop.com/apache-mirror/nutch/2.1/apache-nutch-2.1-src.tar.gz

    下载完成后解压， 

2、配置nutch使用mysql作为数据存储，修改nutch根目录/ivy/ivy.xml文件

    将这行的注释取消default”/>

    修改nutch根目录/conf/gora.properties文件，把默认存储配置改成如下 

# MySQL properties #
###############################
gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
gora.sqlstore.jdbc.url=jdbc:mysql://host:3306/nutch? useUnicode=true&characterEncoding=utf8&autoReconnect=true&zeroDateTimeBehavior=convertToNull
gora.sqlstore.jdbc.user=user
gora.sqlstore.jdbc.password=password

3、修改conf的nutch-site.xml

xml version="1.0"?>
xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<configuration>
<property>
<name>http.agent.namename>
<value>My Spidervalue>
property>

<property>
<name>http.accept.languagename>
<value>ja-jp,zh-cn,en-us,en-gb,en;q=0.7,*;q=0.3value>
property>

<property>
<name>parser.character.encoding.defaultname>
<value>utf-8value>
<description>The character encoding to fall back to when no other information
is availabledescription>
property>

<property>
<name>storage.data.store.classname>
<value>org.apache.gora.sql.store.SqlStorevalue>
property>

<property>
<name>plugin.includesname>
<value>protocol-http|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|urlnormalizer-(pass|regex|basic)|scoring-opicvalue>
property>

configuration>

4、使用ant编译源码。

     nutch根目录下输入ant

5、设置待抓取的网站

    cd nutch根目录/runtime/local 

    创建urls目录

    mkdir -p urls 

    创建初始爬取网站列表

    echo 'http://www.web.com/' > urls/seed.txt

 

6、创建数据库和表

CREATE DATABASE nutch DEFAULT CHARACTER SET utf8 DEFAULT COLLATE utf8_general_ci;

CREATE TABLE `webpage` (`id` varchar(767) CHARACTER SET latin1 NOT NULL,
`headers` blob,
`text` mediumtext DEFAULT NULL,
`status` int(11) DEFAULT NULL,
`markers` blob,
`parseStatus` blob,
`modifiedTime` bigint(20) DEFAULT NULL,
`score` float DEFAULT NULL,
`typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,
`baseUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,
`content` mediumblob,
`title` varchar(2048) DEFAULT NULL,
`reprUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,
`fetchInterval` int(11) DEFAULT NULL,
`prevFetchTime` bigint(20) DEFAULT NULL,
`inlinks` mediumblob,
`prevSignature` blob,
`outlinks` mediumblob,
`fetchTime` bigint(20) DEFAULT NULL,
`retriesSinceFetch` int(11) DEFAULT NULL,
`protocolStatus` blob,
`signature` blob,
`metadata` blob,
PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8;

 

7、执行爬行操作：

bin/nutch crawl urls -depth 3

执行完在mysql中即可以查看到爬虫抓取的内容

8、执行索引操作：

bin/nutch elasticindex clustername -all

注意：nutch2.1是通过创建一个es节点加入集群的方式与es集群交互的，所以只需知道es集群的集群名字就可以。并且必须在同一局域网内，不过这样的话对于关闭了广播通信的es集群并不适用。

执行完后就可以通过http://eshost:9200/index/_status来看到建立的索引信息

 

附elasticsearch 网页索引mapping（使用ik分词）：

{
"mappings": {
        "properties":{
                     "anchor":{
                        "index":"not_analyzed",
                        "type":"string"
                     },
                     "boost":{
                        "type":"string"
                     },
                     "content":{
                        "analyzer":"ik",
                        "boost":2.0,
                        "type":"string"
                     },
                     "digest":{
                        "type":"string"
                     },
                     "host":{
                        "type":"string"
                     },
                     "id":{
                        "type":"string"
                     },
                     "site":{
                        "type":"string"
                     },
                     "title":{
                        "analyzer":"ik",
                        "boost":4.0,
                        "type":"string"
                     },
                     "tstamp":{
                         "type":"date",
                         "format":"dateOptionalTime"
                     },
                     "url":{
                        "type":"string"
                     }
        }
    }

}