利用nutch、hbase和solr搭建搜索引擎

我感觉搜索引擎是互联网界最伟大的技术，它让我们在网上查询变得异常方便。

        公司近期需要搭建一个站内搜索引擎，用来方便客户查询数据。借此机会学习下搜索引擎的搭建和原理。

开源界最完善的开源环境就是利用nutch、hbase与solr搭配的。nutch用来爬取数据，hbase存取数据，solr建立索引并支持在线搜索。

由于nutch只能在类unix操作系统下运行，所以建议安装linux操作系统或其他类unix操作系统。我安装的是linuxmint17。

配置nutch相关的项目都需要依赖jdk，所以要自己安装jdk，从oracle官网下载相关jdk，建议使用jdk1.7版本。安装及配置环境变量请从网络上查找，不再赘述。

1、hbase环境搭建

从官网下载hbase安装包:http://www.apache.org/dyn/closer.cgi/hbase/

我下载的版本为hbase-0.94.27,解压到指定目录下,我在我的home目录下建立App目录，把自己解压安装的绿色软件放到此目录下。

我们把hbase的主目录成为$HBASE_HOME。

解压后，需要修改配置文件$HBASE_HOME/conf/hbase-site.xml，在节点内添加如下配置:

        
                hbase.rootdir
                file://$HBASE_HOME/data/hbase
        
        
                hbase.zookeeper.property.dataDir
                $HBASE_HOME/data/zookeeper
        

保存，然后就可以启动hbase服务了，

切换到$HBASE_HOME目录下，执行服务启动命令：

 ./bin/start-hbase.sh 

即可启动服务，通过浏览器，访问如下网址：http://localhost:60010/master-status

若可以访问如下页面，说明启动成功：

hbase有自己的shell，可以通过shell来对数据进行操作，进入shell的命令如下：

首先要进入$HBASE_HOME主目录，然后执行命令

./bin/hbase shell

进入shell后，就可以进行数据操作了，我作为测试，常用删除数据表的命令，有两条命令，先执行如下命令：

disable 'table_name'

然后执行删除命令

drop 'table_name'

其他命令请参考官方相关文档。

2、nutch-2.3环境搭建

当前版本为nutch-2.3，2.x版本没有已编译好的安装包，仅有源代码，需要自己编译。可能是因为在编译之前需要修改配置文件，而编译好的很多文件都依赖于修改的配置文件。nutch的编译需要ant，所以需要安装ant并配置环境变量。

从官方下载源代码:http://nutch.apache.org/downloads.html

解压到指定目录下，在此把nutch主目录称为$NUTCH_HOME。

nutch是通过ivy来管理包的依赖的，通过命令行进入$NUTCH_HOME，通过vim打开ivy.xml文件

vim ./ivy/ivy.xml

去掉如下代码的注释：

保存： :wq

然后打开配置文件：./conf/gora.properties

vim ./conf/gora.properties

添加如下代码：

gora.datastore.default=org.apache.gora.hbase.store.HBaseStore

保存 :wq

打开配置文件./conf/nutch-site.xml

添加如下内容：

	 storage.data.store.class
	 org.apache.gora.hbase.store.HBaseStore
	 Default class for storing data
	
	
		http.agent.name
		Your Nutch Spider
	
	
		http.accept.language
		zh-cn, en-us,en-gb,en;q=0.7,*;q=0.3
		*
	
	
		parser.character.encoding.default
		utf-8
		*
	
	
		storage.data.store.class
		org.apache.gora.sql.store.SqlStore
		*
	
	
		generate.batch.id
		*
	

保存。

配置完成，编译nutch，在主目录下，运行如下命令:

ant runtime

由于nutch依赖的很多都需要从网上下载，所以编译比较慢，需要耐心等待。若编译不成功，多数都是由于依赖的包没有下载成功，请多编译几次。

编译好后，主目录下就会多了两个目录build和runtime。

编译好的程序在runtime目录下，并且此目录下有两个文件夹:deploy和local，分别代表两种模式：部署模式和本地模式。

我们这里仅使用本地模式，部署模式请参考:http://blog.csdn.net/jediael_lu/article/details/42058553

3、solr环境搭建

从官网下载solr安装包：http://archive.apache.org/dist/lucene/solr/

由于nutch-2.3的$NUTCH_HOME/conf/schema.xml中指定支持solr4.x的版本，所以我下载的版本为：solr-4.9.1

解压到指定目录，我们把solr主目录称为$SOLR_HOME。

首先备份配置文件$SOLR_HOME/example/solr/collection1/conf/schema.xml

然后把$NUTCH_HOME/runtime/local/conf/schema.xml拷贝到$SOLR_HOME/example/solr/collection1/conf目录下，覆盖schema.xml文件。

此文件主要是抓取的数据结构定义。

配置完成后，就可以启动solr服务了。进入$SOLR_HOME/example下，执行如下命令：

java -jar start.jar

通过浏览器打开网址:http://localhost:8983/solr，显示如下界面，说明配置成功:

在昨天的core Selector中选择collection1，里面有通过solr执行查询和编辑功能。

清除索引

1、打开documents，在页面里选择Document Type 为XML,然后在Documents里输入：

清除指定索引：

id:1

清除所有索引：

*:*

4、开启服务

hbase 服务和solr服务都启动后，就可以通过nutch抓取数据了。

在目录$NUTCH_HOME/runtime/local下建立urls文件夹，并在此文件夹下建议seed.txt文件，里面保存的是要抓取的网站地址，例如:http://www.cnblogs.com

然后执行./bin/crawl命令抓取数据，命令格式如下：

Usage: crawl   [] 
：放置种子文件的目录
 ：抓取任务的ID
：用于索引及搜索的solr地址
：迭代次数，即抓取深度

例如：

./bin/crawl ./urls cnblogs http://localhost:8983/solr 2

命令执行过后，在hbase的站点可以查到相应数据结构，如下图：

在solr站点可以搜索相应数据，如下图：

5、总结

其实，我配置此环境，也是折腾了好几天，其中发现的问题如下：

1） nutch-2.3对mysql的支持不够好，gora-core-0.5与gora-sql-0.1.1会产生冲突，nutch-2.2.1支持的比较好。

2）当前的nutch-2.3版本仅支持solr-4.x，对solr-5.x支持不够，可能是因为solr-5.x变动比较大，我部署的solr-5.x环境不再陌生生成默认的core:collection1，需要自己创建，与nutch-2.3集成总是出现错误，最后放弃。

3）nutch-2.3抓取http://www.cnblogs.com成功，但抓取http://www.csdn.net一直不成功，应该是过滤配置的问题，考虑修改$NUTCH_HOME/conf/regex-urlfilter.txt。

4）为了让solr更好的支持中文检索，需要配置中文分词器插件，我选择的是 mmseg4j。配置比较简单，

可以参考：https://github.com/chenlb/mmseg4j-solr

http://www.cnblogs.com/henghengdh/p/3478459.html

  配置完毕后，重新建立索引，或重新抓取数据，这就需要上面讲的删除hbase数据和删除solr索引的操作了。

此文到此结束，希望对大家有所帮助。