ubuntu部署nutch1.4

之前一直在学习网络爬虫heritrix与lucene，并励志用Heritrix+Lucene做毕业设计，自学挺累的，没有一个明确的方向，一直想找个做搜索的公司实习一段时间，眼看就要毕业了，实习的愿望也快泡汤了，现在只想着多接触一些新的东西。
 
    现在开始学习nutch1.4，由于网上的文章很少是关于1.4的，故写了这篇文章希望对一些想学习网络爬虫的人有一些帮助，同时，也希望你们不要向我一样走了很多弯路，废话少说，直接进入正题吧！

  nutch官网http://wiki.apache.org/nutch/NutchTutorial有专门的讲解，我现在把它翻译过来，希望对一些想学习的人有用，首先是安转nutch，这个就不介绍了，大家可上官网直接下载就是了。

     关于怎么安装JDK以及怎么配置环境变量，这里也不多做介绍，网上有很多的例子。下载完nutch1.4后，比如加压到/home/chenyanting/nutch目录，可使用解压命令：tar zxvf apache-nutch-1.4-bin.tar.gz

解压完以后直接进入/home/chenyanting/nutch/apache-nutch-1.4-bin/runtime/local

在此目录下运行命令 ./bin/nutch 若没有出现下面的内容:
Usage: nutch [-core] COMMAND
where COMMAND is one of:
  crawl             one-step crawler for intranets
  readdb            read / dump crawl db
  mergedb           merge crawldb-s, with optional filtering
  readlinkdb        read / dump link db
  inject            inject new urls into the database
  generate          generate new segments to fetch from crawl db
  freegen           generate new segments to fetch from text files
  fetch             fetch a segment's pages
  parse             parse a segment's pages
  readseg           read / dump segment data
  mergesegs         merge several segments, with optional filtering and slicing
  updatedb          update crawl db from segments after fetching
  invertlinks       create a linkdb from parsed segments
  mergelinkdb       merge linkdb-s, with optional filtering
  solrindex         run the solr indexer on parsed segments and linkdb
  solrdedup         remove duplicates from solr
  solrclean         remove HTTP 301 and 404 documents from solr
  parsechecker      check the parser for a given url
  indexchecker      check the indexing filters for a given url
  domainstats       calculate domain statistics from crawldb
  webgraph          generate a web graph from existing segments
  linkrank          run a link analysis program on the generated web graph
  scoreupdater      updates the crawldb with linkrank scores
  nodedumper        dumps the web graph's node scores
  plugin            load a plugin and run one of its classes main()
  junit             runs the given JUnit test
or
  CLASSNAME         run the class named CLASSNAME
Most commands print help when invoked w/o parame

则要修改nutch解压目录中的runtime/local/bin/nutch脚本的执行权限   chmod 755 nutch

然后在设置JAVA_HOME

export JAVA_HOME='java路径'

然后修改这个目录下的conf/nutch-site.xml文件，加入如下属性：
<property>
<name>http.agent.name</name>
<value>My Nutch Spider</value>
</property>

创建存放url的目录

    mkdir -p urls
    cd urls
    在里面新建文件seeds.txt
    往这个文件里面加入你要爬取的地址比如：

    http://nutch.apache.org/

    修改文件conf/regex-urlfilter.txt，在最后加上

     +^http://([a-z0-9]*\.)*nutch.apache.org/(把最后一行覆盖掉)


   接着退回到local目录，运行命令:
bin/nutch crawl urls -dir crawl -depth 3 -topN 5