Nutch和Solr的集成方案

本方案中，Solr作为处理搜索结果的源和入口，有效的减轻对Nutch的搜索负担，让Nutch负责她最擅长的工作：抓取(crawling)和提取(extracting)内容。使用Solr作为搜索后端，换句话说，就是允许使用所有Solr Server的高级特性，诸如：查询拼写检查(spell-check)，搜索提醒(suggestion)，数据复制(data-replication)，查询缓存等等。

 

Nutch和Solr的安装

 

首先下载我们需要的软件，Apache Solr 和 Nutch。

1、从官方下载Solr Version 1.3.0

2、解压Solr安装包。

3、下载Nutch Version 1.0

4、解压Nutch安装包。

 

5、配置Solr

 

简单起见，我们以Solr Example中的配置为基础

a、从apache-nutch-1.0/conf拷贝Nutch Schema到apache-solr-1.3.0/example/solr/conf目录下，覆盖掉已经存在的。

我们希望允许Solr为搜索结果创建摘要，因此我们需要存储内容以便能够索引它。

b、调整schema.xml，以便"content"字段的"stored"属性等于true。

另外，我们希望能够容易的调整查询的关联度，因此这里创建一个新的请求处理器(request handler)叫dismax。

c、打开apache-solr-1.3.0/example/solr/conf/solrconfig.xml文件，把下面这段粘贴进去

 

dismax

explicit

0.01

content^0.5 anchor^1.0 title^1.2

content^0.5 anchor^1.5 title^1.2 site^1.5

url

2<-1 5<-2 6<90%

100

*:*

title url content

0

title

0

url

regex

 

6、启动Solr

 

cd apache-solr-1.3.0/example

java -jar start.jar

 

7、配置Nutch

a、打开apache-nutch-1.0/conf下的nutch-site.xml，用下面的内容(我们制定了蜘蛛的名称，激活插件，限制单机一次运行抓取的最大URL数为100)替换：

 

http.agent.name

nutch-solr-integration

generate.max.per.host

100

plugin.includes

protocol-http|urlfilter-regex|parse-html|index-(basic|anchor)|query-(basic|site|url)|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)

 

b、打开apache-nutch-1.0/conf下的regex-urlfilter.txt，用下面的内容替换：

 

-^(https|telnet|file|ftp|mailto):

 

# skip some suffixes

-/.(swf|SWF|doc|DOC|mp3|MP3|WMV|wmv|txt|TXT|rtf|RTF|avi|AVI|m3u|M3U|flv|FLV|WAV|wav|mp4|MP4|avi|AVI|rss|RSS|xml|XML|pdf|PDF|js|JS|gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

 

# skip URLs containing certain characters as probable queries, etc.

-[?*!@=]

 

# allow urls in foofactory.fi domain

+^http://([a-z0-9/-A-Z]*/.)*lucidimagination.com/

 

# deny anything else

-.

 

8、创建一个种子列表(初始化的URL列表)

 

mkdir urls

echo "http://www.haoguoliang.com/" > urls/seed.txt

 

9、将种子URL列表导入Nutch的crawldb(注意在nutch文件夹下执行)

 

bin/nutch inject crawl/crawldb urls

 

10、生成获取(fetch)列表，以便获取和分析内容

 

bin/nutch generate crawl/crawldb crawl/segments

 

以上命令在crawl/segments目录下生成了一个新的segment目录，里边存储了抓到的URLs，下边的指令里，我们需要最新的segment目录作为参数，存储到环境变量SEGMENT里：

 

export SEGMENT=crawl/segments/`ls -tr crawl/segments|tail -1`

 

现在，启动抓取程序真正开始抓取内容

 

bin/nutch fetch $SEGMENT -noParsing

 

接下来我们分析、解析抓取下来的内容

 

bin/nutch parse $SEGMENT

 

更 新Nutch crawldb，updatedb命令会存储以上两步抓取(fetch)和分析(parse)最新的segment而得到的新的URLs到Nutch crawldb，以便后续的继续抓取，除了URLs之外，Nutch也存储了相应的页面内容，防止相同的URLs被反反复复的抓取。

 

bin/nutch updatedb crawl/crawldb $SEGMENT -filter -normalize

 

到此，一个完整的抓取周期结束了，你可以重复步骤10多次以便可以抓取更多的内容。

 

11、创建超链库

 

bin/nutch invertlinks crawl/linkdb -dir crawl/segments

 

12、索引所有segments中的内容到Solr中

 

bin/nutch solrindex http://127.0.0.1:8983/solr/ crawl/crawldb crawl/linkdb crawl/segments/*

 

现在，所有Nutch抓取的内容已经被Solr索引了，你可以通过Solr Admin执行查询操作了

 

http://127.0.0.1:8983/solr/admin