nutch 0.9在Windows下的安装

原文地址http://www.cnblogs.com/phinecos/archive/2007/11/20/965835.html

 

一、环境：
      1.操作系统：windowsXp,windows2000+
      2.java1.6，设置JAVA_HOME到环境变量
      3.cygwin,当然这个不是必需的，只是nutch提供的脚本只能在shell环境下使用，所以使用cygwin来虚拟shell命令。
      4.nutch版本：0.9
      5.tomcat：6.0

二、nutch的安装和配置：

1，安装Cygwin1.5.5（我这里装到F:\cygSys）,将nutch解压缩后放置到cygSys \home\用户名的一个目录下(我放在F:\cygSys\home\dyk\nutch下),如图：

2，在Cygwin环境下进入nutch-0.9目录下，使用命令 bin/nutch进行测试，正常的情况下出现的结果是：

3，进行抓取网站的测试，以抓取http://www.163.com/为例

1) 新建一个文件myurl,在文件中输入http://www.163.com/保存，这个文件可以放在任何地方（我这个文件放在F:\cygSys\home\dyk\nutch\myurl）,另外再建立一个爬虫日志目录logs(我放在F:\cygSys\home\dyk\nutch\logs)

2) 打开nutch-0.9\conf\nutch-site.xml文件，在<configuration></configuration>内插入以下内容：

 

< property >  
   < name > http.agent.name </ name >  
   < value ></ value >  
   < description > HTTP 'User-Agent' request header. MUST NOT be empty - 
  please set this to a single word uniquely related to your organization. 
  
  NOTE: You should also check other related properties: 
  
     http.robots.agents 
     http.agent.description 
     http.agent.url 
     http.agent.email 
     http.agent.version 
  
  and set their values appropriately. 
  
   </ description >  
</ property >  
  
< property >  
   < name > http.agent.description </ name >  
   < value ></ value >  
   < description > Further description of our bot- this text is used in 
  the User-Agent header.  It appears in parenthesis after the agent name. 
   </ description >  
</ property >  
  
< property >  
   < name > http.agent.url </ name >  
   < value ></ value >  
   < description > A URL to advertise in the User-Agent header.  This will 
   appear in parenthesis after the agent name. Custom dictates that this 
   should be a URL of a page explaining the purpose and behavior of this 
   crawler. 
   </ description >  
</ property >  
  
< property >  
   < name > http.agent.email </ name >  
   < value ></ value >  
   < description > An email address to advertise in the HTTP 'From' request 
   header and User-Agent header. A good practice is to mangle this 
   address (e.g. 'info at example dot com') to avoid spamming. 
   </ description >  
</ property >  

 

     可以把<name>XXX</name>之间的内容替换为其他字符，当然就算是不替换也无所谓，这里的设置，是因为nutch遵守了robots协议，在获取response时，把自己的相关信息提交给被爬行的网站，以供识别。

3) 打开nutch-0.9\conf\crawl-urlfilter.txt文件，把MY.DOMAIN.NAME字符替换为myurl内的域名（比如我改成了“+^http://([a-z0-9]*\.)*163.com/”，其实更简单点，直接删除MY.DOMAIN.NAME这几个字就可以了，也就是说，只保存+^http://([a-z0-9]*\.)*这几个字就可以了，表示所有http的网站都同意爬行）。
<!--[endif]-->

4) 运行爬虫,在Cygwin输入以下命令：

 

 

bin/nutch crawl ../myurl –dir ../mydir –depth 2 >&../logs/crawl1.log

 

 

这里dir表示存储的目录，-depth表示网址爬的深度，最后是指明日志文件

运行结束后，你可以打开日志文件查看爬虫运行的详细过程。

5，在tomcat上运行Nutch

把nutch-0.9.war拷贝到Tomcat\webapps\下面

在浏览器中输入http://localhost:8080/nutch-0.9/这步是为了使tomcat展开nutch-0.9.war，然后修改webapps/ nutch-0.9/WEB-INF/classes/nutch-site.xml文件如下：

 

 

< configuration >
< property >
   < name > searcher.dir </ name >
   < value > F:\\cygSys\\home\\dyk\\nutch\\mydir4 </ value >
</ property >
</ configuration >

 

 

为了支持中文的搜索，修改Tomcat\conf\server.xml。找到对应的地方修改成

 

     < Connector  port ="8080"  protocol ="HTTP/1.1"  
               connectionTimeout ="20000"  
               redirectPort ="8443"  URIEncoding ="UTF-8"  useBodyEncodingForURI ="true" />

 

 

在浏览器中输入http://localhost:8080/nutch-0.9，

搜索“nba”，结果是