nutch 1.8与solr 4.8环境搭建

   环境:ubuntu 11.10

   前提:

   因为solr 4.8必须要jdk1.7或者以上才能正确编译 如果使用jdk1.6或者以下的话 使用jetty运行solr的时候 会出现

       java.lang.UnsupportedClassVersionError Unsupported major.minor version 51.0 [duplicate]

所以在进行以下操作时 确保你的jdk版本为1.7以上 如下

1.从这 http://mirror.bit.edu.cn/apache/nutch/1.8/   下载 apache-nutch-1.8-bin.zip  下载nutch 1.8

  从这 http://mirror.bit.edu.cn/apache/lucene/solr/4.8.0/  下载 solr-4.8.0.tgz 下载solr 4.8

 分为解压 如下

unzip apache-nutch-1.8-bin.zip

tar -zxvf  solr-4.8.0.tgz

2.验证nutch与solr是否可以正常运行

nutch 出现如下情形表示nutch环境没有问题

验证 solr 如下截图

在浏览器中输入 http://192.168.38.209:8983/solr/#/   192.168.38.209为你ubuntu的ip地址

出现如下界面 表示solr的环境也没问题

因为solr是借助于jetty来运行的

3.整合nutch与solr

  配置nutch来进行抓取网页

  a: 配置代理名称 进入到nutch上面解压的conf目录下  例如 

      /home/u1/java/apache-nutch-1.8/conf

修改  nutch-site.xml 文件 添加如下内容

property>
 <name>http.agent.name</name>
 <value>My Nutch Spider</value>
</property>

 上面的值 可以随便设置

     b:设置你想抓取的网页 下面添加了两个准备抓取的网址 百度和新浪 如下

     

  c:配置nutch的配置文件到solr中 官网上如此描述的

官网上的描述和solr 4.8中的目录稍微有一点不符合 

   具体操作如下

 

  上面需要注意的是 就是第二步  因为从solr 4开始 需要nutch的配置文件为schema-solr4.xml 而不是原来的schema.xml  不然会报如下错误

collection1: org.apache.solr.common.SolrException:org.apache.solr.common.SolrException:
Plugin init failure for [schema.xml] fieldType "text": 
Plugin init failure for [schema.xml] analyzer/filter:
Error loading class 'solr.EnglishPorterFilterFactory'

然后重新启动  solr即可

 d:最后一步了 使用nutch抓取网页后 索引存到solr中 进行后续的索引

   使用如下命令即可 如下

 

 /bin/crawl 在进行抓取的时候  经过五个阶段 分别是  inject->generate->fetch->parse->updatedb

 查看是否抓取到了数据 如下

  你会发现 怎么 retry 1 和 db_unfetched都是1呢 其实看到这么小的数字 我们也会意识到 应该是没有抓取到数据

  可是  为什么呢  抓取数据的时候 没有报错 怎么没有数据呢  又是折腾了1个多小时 我突然意识到  我们实验室的电脑前段时间刚换的 需要账号才能上网 原来我的ubuntu没有上网 郁闷死了 连上网 删掉产生的文件crawl文件夹  重来

现在有数据了吧 

  再来在solr建的索引中看看是否可以查到数据了 

   

上面即是 nutch1.8与solr4.8的环境搭建  记录学习的脚步 

参考: http://wiki.apache.org/nutch/NutchTutorial

参考: http://lucene.apache.org/solr/4_8_0/tutorial.html