[Linux] Nutch 2.3.1+ Hbase + Hadoop + Solr 单机指南（四）

---

这是本指南的最后一篇，从开始做到完成，本熊花了一周的时间，碰到的错误也可谓千奇百怪。

---

纯初学者说明模式
本章节主讲实现本地模式

• Nutch的配置与编译
• Nutch与Hadoop，Hbase，Solr的集成
• Nutch的启动与结果查看

---

0.初期设置说明

路径说明

本熊假设Hadoop的主目录为HadoopPath，Hbase的主目录为HbasePath，Nutch的主目录为NutchPath，Solr的主目录为SolrPath

以下是本熊的解压位置：
HadoopPath的值就是 /usr/Dzy/hadoop-2.5.2
HbasePath的值就是 /usr/Dzy/hbase-0.98.8-hadoop2
NutchPath的值就是 /usr/Dzy/apache-nutch-2.3.1
SolrPath的值就是 /home/as/下载/solr-4.10.3

各位可以按照自己的路径进行设置，本熊再次只为说明方便

使用版本说明

就如同本熊在第一期中提到的，要选择正确的相互适应兼容的版本，会帮您省去大堆不必要的麻烦，减少脱发，改善睡眠，提高生活质量

• Apache Nutch 2.3.1
• Apache Hadoop 1.2.1 and 2.5.2
• Apache HBase 0.98.8-hadoop2 (although also tested with 1.X)
• Apache Solr 4.10.3
• Apache Tomcat（可选，版本随意，用于集成solr）

---

1.Nutch的配置与编译

此处的配置只在local模式中测试成功，deploy模式还未进行测试

• 在NutchPath目录下，把/ivy文件夹中修改ivy.xml文件，将以下内容的注释取消（将包含此代码段开头 ````消除即可）
  
  这是将Nutch的默认的结果存储方式变更为Hbase

• 在NutchPath目录下，把/conf文件夹中修改nutch-site.xml
  文件，在标签中添加以下设置
  
  storage.data.store.class
  org.apache.gora.hbase.store.HBaseStore
  Default class for storing data
  
  
  http.agent.name
  My Nutch Spider
  
  
  plugin.includes
  protocol-http|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|urlnormalizer-(pass|regex|basic)|scoring-opic|index-anchor|index-more|languageidentifier|subcollection|feed|creativecommons|tld
  Regular expression naming plugin directory names to
  include. Any plugin not matching this expression is excluded.
  In any case you need at least include the nutch-extensionpoints plugin. By
  default Nutch includes crawling just HTML and plain text via HTTP,
  and basic indexing and search plugins. In order to use HTTPS please enable
  protocol-httpclient, but be aware of possible intermittent problems with the
  underlying commons-httpclient library.
  
  
  这三个property分别指的是Nutch的默认存储类型，爬虫的名字，和插件库的位置，如果错误中出现job-XXXXX的情况，那就是没有配置好插件库property

• 在相同目录下，修改regex-urlfilter.txt，将最后部分修改为
  # accept anything else
  #+.
  +^http://([a-z0-9].)nutch.apache.org/
  这里写的是抓取过滤的正则表达式，各位可以按各自所需修改

• 网上有些说也要修改nutch-default.xml，其实没有这个必要，若在nutch-site.xml存在配置，会优先选择其中的属性

• 在相同目录下修改gora.properties文件，添加以下配置，确保存储在Hbase上
  gora.datastore.default=org.apache.gora.hbase.store.HBaseStore

• 在NutchPath目录下，在/usr/Dzy/apache-nutch-2.3.1/runtime/local/文件下创建urls文件夹

• 在urls文件夹中创建seed.txt，在其中输入

    http://nutch.apache.org/
  

这里存放的是Nutch要爬取的网页

• 在NutchPath路径下，启动终端，输入以下命令，开始Ant编译

    ant runtime
  

编译完成后目录结构是这样的，多出来一个runtime

目录结构

• 最后一步就是，将Nutch数据保存到Hbase的jar包存到local内
  HadoopPath下/lib中所有与hbase有关的jar包
  复制到NutchPath目录下的/runtime/local/lib中
  
  

  所需要的jar

至此Nutch的准备工作就算完成了

---

2.Nutch启动

如果一步不差的完成了本熊指南前三期的准备工作，那就接下来就是按顺序启动服务了

• 启动Solr
  在TomcatPath目录下执行以下命令，启动Solr
  bash startup.sh

• 启动Hadoop
  在HadoopPath下，在终端输入以下命令，启动Hadoop

    bash ./sbin/start-all.sh
  

• 启动Hbase
  在HbasePath目录下，启动终端输入

    bash ./bin/start-hbase.sh
  

• 启动Nutch
  在NutchPath下，输入以下指令
  cd /usr/Dzy/apache-nutch-2.3.1/runtime/local
  ./bin/crawl /usr/Dzy/apache-nutch-2.3.1/runtime/local/urls NutchTable http://localhost:8080/solr/collection1 2
  这段指令的参数的意义：
  urls位置---
  */usr/Dzy/apache-nutch- 2.3.1/runtime/local/urls *
  Hbase中创建的表名---
  NutchTable
  SolrCore的位置---
  http://localhost:8080/solr/collection1
  迭代次数---
  2
  以上参数可以按照自己的需要调整，可以参考Apache Nutch的说明文档

• 如果一切OK的话，会出现以下状态，如果injectjob时间极长时可以检查一下Hbase版本配置

  
  
  

  启动画面

• 最后参照之前的关于solr步骤与Hbase的步骤，可以在solr中看见查询的结果

  
  
  

  solr中查询结果

local实验完成，这个实验只是简单的单机配置，若想要更加深入的了解Nutch的工作原理，可以在ant编译部分输入以下指令

    ant eclipse

这样可以在eclipse中加载Nutch项目，可以在这基础上做更贴近开发者自身想法的改进

---

第四期结束

到此为止，本熊把全部的实验过程都记录了下来，后在小Y的电脑上也试验成功了。累得本熊玩了好几天，但是本熊也很好奇，如何转化这些抓取的资源呢？也许这是向小Y这样的学术派才会考虑的问题，本熊只是俗熊，常常苦恼在三餐选什么，总之愿本文能对各位起到小小的帮助

---

相关内容
[Linux] Nutch 2.3.1+ Hbase + Hadoop + Solr 单机指南（一）
[Linux] Nutch 2.3.1+ Hbase + Hadoop + Solr 单机指南（二）
[Linux] Nutch 2.3.1+ Hbase + Hadoop + Solr 单机指南（三）
[Linux] Nutch 2.3.1+ Hbase + Hadoop + Solr 单机指南（四）