nutch使用入门

   基本概念：

•    crawldb，nutch所处理的所有url信息，包括是否被fetch过，以及url被fetch时间。
•    linkdb，url links，包括源url和链接文本信息
•    segments集合，每一个segment是一组fetched的urls单元，segments包括以下子目录：

               1. crawl_generate, 将要被抓取 urls集合

               2. crawl_fetch, 正在被抓取的每一个url的状态信息

               3. content，从每一个url中提取的原生内容

               4. parse_text, 从每一个url中解析出来的文本信息

               5. parse_date, 从每一个url中解析出来的链接和元数据

               6. crawl_parse, 从url中解析出来的url链接，用于更新crawldb

  分布执行步骤：

• 注入爬取所需种子列表，bin/nutch inject crawl/crawldb urls
• 从crawldb中生成要抓取的url列表，bin/nutch generate crawl/crawldb crawl/segments
• 根据url抓取网页，bin/nutch fetch data/segments/201507151245
• 解析网页内容，bin/nutch parse data/segments/201507151245
• 根据抓取结果更新数据库，bin/nutch updated data/crawldb –dir data/segments/201507151245
• 反转索引，在建立索引之前，我们首先对所有的链接进行反转，这样我们才可以对页面的来源锚文本进行索引。

  bin/nutch invertlinks data/linkdb –dir data/segments/201507151245