Nutch1.0配置笔记

配置软件：
1、 Java jdk-1.6

1.1 下载安装

from: http://www.sun.com

安装目录：C:\Java\jdk1.6.0_03
1.2 修改环境变量
JAVA_HOME=C:\Java\jdk1.6.0_03\bin

CLASSPATH＝C:\Java\jdk1.6.0_03\lib\dt.jar；C:\Java\jdk1.6.0_03\lib\tools.jar
1.3 测试
java -version

2、tomcat-6.0

2.1 下载
from: http://tomcat.apache.org/


2.2 解压到C盘目录并改名

安装目录：C:\tomcat6

2.3 修改配置
conf/server.xml

QUOTE:

  <!-- Define a non-SSL HTTP/1.1 Connector on port 8080 -->
    <Connector port=" 8080 " maxHttpHeaderSize="8192"
            maxThreads="150" minSpareThreads="25" maxSpareThreads="75"
               enableLookups="false" redirectPort="8443" acceptCount="100"
               c disableUploadTimeout="true"
                URIEncoding="UTF-8" useBodyEncodingForURI="true" />   

 

默认服务端口为8080，若有冲突（如Apache），则可通过此配置文件更改端口( 蓝色)如果配置后nutch出现中文乱码问题，则增加编码配置(红色)

2.4 启动服务
startup

测试：http://localhost:8080/

3、安装Cygwin

from: http://www.cygwin.cn/

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
4、 nutch-1.0
4.1 下载 http://www.apache.org/dyn/closer.cgi/lucene/nutch/

4.2  解压后到C盘根目录

C:\nutch-1.0

建 url.txt文件，指定爬取列表
在文件中写入如下内容：
例如： http://cqllang.iteye.com/blog

4.3  指定爬虫规则
修改 conf/crawl-urlfilter.txt

 

QUOTE:

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

把这里改成你要的域名
如 +^ http://cqllang.iteye.com/blog

 

4.4 修改 conf/nutch-site.xml

QUOTE:

<configuration>
        <property>
                <name>http.agent.name</name>
                <value>my nutch agent</value>
        </property>
        <property>
                <name>http.agent.version</name>
                <value>1.0</value>
        </property>
</configuration>

如果没有配置此agent，爬取时会出现 Agent name not configured! 的错误。

4.5 开始爬取

打开Cygwin,

在命令行窗口中输入：  
　　cd /cygdrive/c/nutch-1.0
执行命令：

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

在这里

dir指定抓取内容所存放的目录，depth表示以要抓取网站顶级网址为起点的爬行深度，threads指定并发的线程数。

4.6 部署web前端
将 nutch-1.0.war 拷贝到webapps目录下
通过浏览器访问 http://localhost:8080/nutch-1.0/ 后，war包自解压。
4.7 修改nutch的web配置
c:\tomcat6\webapps\nutch-1.0\WEB-INF\classes\nutch-site.xml
将内容更改为索引生成的目录。
QUOTE:

<nutch-conf>
        <property>
                <name>searcher.dir</name>
                <value>c:/nutch-1.0/crawled</value>
        </property>
</nutch-conf>