nutch安装，使用，二次开发入门(转)

关键字: cygwin nutch 安装
1.1 Nutch安装
参考资料：http://www.blogjava.net/dev2dev/archive/2006/02/01/29415.aspx Nutch在Windows中安装之细解

由于运行Nutch自带的脚本命令需要Linux的环境，所以必须首先安装Cygwin来模拟这种环境。

1）安装cygwin

2) 下载nutch-0.9.tar.gz, 用winrar解压后，例如放在g:/nutch-0.9

3) 安装nutch，打开cgwin，运行命令：

cd /cygdrive/g/nutch-0.9 (也就是进入nutch解压的目录)

bin/nutch (执行nutch脚本安装)

4) OK !

1.2 Nutch使用入门
资料：http://blog.csdn.net/zjzcl/archive/2006/02/06/593138.aspx

Nutch 使用之锋芒初试 （包括下载及检索两部分）

注意：请使用JDK1.5，用JDK1。4会报错误：unsupported major.minor version 49.0 n

设置环境变量：NUTCH_JAVA_HOME = c:/jdk1.5

1.2.1 抓取少量网站
1) 在nutch的安装目录新建一个文件url.txt，指明要抓取网站的顶级网址，写入：

http://www.aerostrong.com.cn

2) 编辑conf/crawl-urlfilter.txt，修改MY.DOMAIN.NAME部分

# accept hosts in MY.DOMAIN.NAME

#+^http://([a-z0-9]*.)*MY.DOMAIN.NAME/

+^http://www.aerostrong.com.cn

3) 运行脚本命令抓取，脚本命令全是linux下的shell命令，在window下运行它需要cgwin，打开cgwin，运行命令:

cd /cygdrive/g/nutch-0.9 (也就是进入nutch解压的目录)

bin/nutch crawl url.txt -dir crawled -depth 3 -threads 4 >& crawl.log

参数解释：

-dir dir names the directory to put the crawl in.

-depth depth indicates the link depth from the root page that should be crawled.

-delay delay determines the number of seconds between accesses to each host.

-threads threads determines the number of threads that will fetch in parallel.

1.2.2 抓取整个因特网
http://hedong.3322.org/archives/000247.html 试用nutch

1、概念解释：

1） web database: nutch所知道的page,以及在这些page里头的links (由injector通过DMOZ往里添加page，Dmoz(The Open Directory Project/ODP)是一个人工编辑管理的目录集合，为 搜索引擎提供结果或数据。)

2) segments.：是指page的一个集合，对它进行抓取与索引都作为同一个单元对待。它包含以下类型：

Fetchlist 这些page的名称的集合

Fetcher output: 这些page文件的集合

Index: lucene格式的索引输出

2、 建立web database与segments



初始准备




mkdir db
建立目录存放web database


mkdir segments



bin/nutch admin db -create
建一个新的空的数据库(这步出错了)

第一轮抓取




bin/nutch inject db -dmozfile content.rdf.u8 -subset 3000
从DMOZ列表中取得URL并加入数据库


bin/nutch generate db segments
根据数据库内容，生成一个抓取列表(fetchlist)


s1=`ls -d segments/2* | tail -1`
刚才生成的抓取列表放在最后一个目录中，取其名


bin/nutch fetch ＄s1
利用机器人抓页面


bin/nutch updatedb db ＄s1
利用抓取结果更新数据库

第二轮抓取




bin/nutch analyze db 5
迭代5次分析页面的链接


bin/nutch generate db segments -topN 1000
将排行前1000个URL生成新的抓取列表


s2=`ls -d segments/2* | tail -1`
执行抓取、更新、并迭代2次分析链接


bin/nutch fetch ＄s2



bin/nutch updatedb db ＄s2


第三轮抓取




bin/nutch analyze db 2



bin/nutch generate db segments -topN 1000



s3=`ls -d segments/2* | tail -1`



bin/nutch fetch ＄s3



bin/nutch updatedb db ＄s3



bin/nutch analyze db 2
（为下一次做准备？）

索引并去重




bin/nutch index ＄s1



bin/nutch index ＄s2



bin/nutch index ＄s3



bin/nutch dedup segments dedup.tmp



1.2.3 检索
1) 将nutch-0.9.war包丢到tomcat发布目录

2) 修改配置文件指定索引库.( WEB-INFclasses下的nutch-site.xml):


　　

　　　
　　　
　　　　searcher.dir
　　　　G:/nutch-0.9/crawled
　　　
　　

注意，当复制上述配置文件时，如果出现下列错误，是因为复制文件时带有空格或编码格式，重敲一遍即可: java.io.UTFDataFormatException: Invalid byte 1 of 1-byte UTF-8 sequence

3) 测试http://172.17.1.122:8081

注意，若查询字符串输出中文时出现编码问题，这个问题和nutch关系不大，主要是tomcat有关系，修改tomcat的server.xml，在Connector元素中增加属性：

URIEncoding="UTF-8" useBodyEncodingForURI="true"

1.3 nutch的二次开发
参考：

http://www.mysoo.com.cn/news/2007/200721679.shtml Google式的搜索引擎实现

http://today.java.net/pub/a/today/2006/01/10/introduction-to-nutch-1.html Introduction to Nutch, Part 1: Crawling

http://today.java.net/pub/a/today/2006/02/16/introduction-to-nutch-2.html Introduction to Nutch, Part 2: Searching


资料
Nutch相关资料收集整理 http://www.gispark.com/html/spatial/2006/1008/294.html