myeclipse 2014 配置nutch2.2.1,已经成功,记录一下

    首先感谢wilco的文章: http://www.cnblogs.com/e-life/p/3897881.html

一、环境准备

    首先，配置开发环境

        需要的环境有JDK1.7，myeclipse,svn,ant一级myeclipse下的两个插件subeclipse和ivyDe,

    下载地址 http://subeclipse.trigris.org/update_1.8.x

             http://www.apache.org/dist/ant/ivyde/updatesite

二、从SVN检出项目,地址 

        https://svn.apache.org/repos/asf/nutch/tags/release-2.2.1

    

Finish完成导入.

三、修改ivy目录下的ivysettings.xml地址http://mirrors.ibiblio.org/maven2/ (试了下,这个还能访问到)

        四、修改ivy目录下的ivy.xml(增加mysql访问以来java包)

    修改gora-core版本为0.2.1,并解除注释gora-sql和mysql-connector-java

    

五、到项目根目录执行 ant eclipse

    一开始会有如下问题:

    

具体解决办法是到ivy官网：http://ant.apache.org/ivy/index.html下载ivy-*-rc2.jar,复制到ant的lib目录下,再次执行 ant eclipse,就不会报错了,执行时间比较长,这是由于ivy要下载jar包,执行结果如下

    

六、回到myeclipse,刷新项目,会发现目录结果已经发生变化

    

七、工程右键Build Path-->Config Build Path-->Order and Export下选中Conf文件置顶

    

    

八、修改Conf文件夹下gora.properties配置mysql

九、工程目录下新建文件夹urls,url目录下新建一文件url,里面输入要爬取的root_url,比如:http://www.163.com

十、配置conf目录下nutch-site.xml

<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
	<property>
		<name>http.agent.name</name>
		<value>YourNutchSpider</value>
	</property>
	<property>
		<name>http.accept.language</name>
		<value>ja-jp, en-us,en-gb,en,zh-cn,zh-tw;q=0.7,*;q=0.3</value>
		<description>Value of the “Accept-Language” request header field.
			This allows selecting non-English language as default one to retrieve.
			It is a useful setting for search engines build for certain national
			group.
		</description>
	</property>

	<property>
		<name>parser.character.encoding.default</name>
		<value>utf-8</value>
		<description>The character encoding to fall back to when no other
			information
			is available
		</description>
	</property>
	<property>
		<name>plugin.folders</name>
		<value>src/plugin</value>
		<description>Directories where nutch plugins are located. Each
			element may be a relative or absolute path. If absolute, it is used
			as is. If relative, it is searched for on the classpath.
		</description>
	</property>
</pre>
	<pre name="code" class="html"><!-- 为解决utf-8类中的空指针问题 -->
		<property>
			<span>
			</span>
			<name>generate.batch.id</name>
			<span>
			</span>
			<value>*</value>
		</property>

		<property>
			<name>storage.data.store.class</name>
			<value>org.apache.gora.sql.store.SqlStore</value>
			<description>The Gora DataStore class for storing and retrieving
				data.
				Currently the following stores are available: ….
			</description>
		</property>
</configuration>

   十一、配置完上述步骤后配置命令运行Run Configuation选择org.apache.nutch.crawl.Crawler,参数设置urls-depth 3 -topN 5 和Dhadoop.log.dir=logs-Dhadoop.file=hadoop.log

这时候运行会遇到错误Exception in thread "main" java.io.IOException:Failed to set permissions of Path:\tmp\hadoop-Administrator\mapred\staging\Administrator238829409\.staging to 0700

十二、上述错误一般只是在windows下才会遇到的,所以我们一般会去修改Haddop-core-1.2.0源码中的org.apache.hadoop.hadoop.fs下的FileUtil.java修改其中的CheckReturnValue方法,注释掉其中的内容

private static void checkReturnValue(boolean rv, File p, 
  FsPermission permission  ) throws IOException {//    if (!rv) {//      throw new IOException("Failed to set permissions of path: " + p + //                            " to " + //                            String.format("%04o", permission.toShort()));//    }
  }

然后编译成java包替换我们工程build/lib下的hadoop-core-1.2.0.jar.

    另外一种方法是找到FileUtil.java编译过后的class文件,替换掉jar包中相应的class文件FileUtil.class和FileUtil$CygPathCommand.class(用压缩软件打开直接替换即可)

十三、接下来在运行就没有问题

你会发现mysql数据库中很多记录除了id，status这几个基本字段有数据外其他值都是null，这是正常情况，请注意status字段，

status    记录抓取状态

        1     unfetched (links not yet fetched due to limits set in regex-urlfilter.txt, -TopN crawl parameters, etc.)  

        2     fetched (page was successfully fetched)  

        3     gone (that page no longer exists)  

        4     redir_temp (temporary redirection ― see reprUrl below for more details)  

        5     redir_perm (permanent redirection ― see reprUrl below for more details)  

        34     retry  

        38     not modified     

这是因为我们的topN设置太小，所以很多url被限制抓取了（当然还有可能是url被regex-urllfilter过滤了），自己注意一下就好了。到此我们就完成了整个流程的配置和运行。