Windows下Nutch的使用

Nutch使用方法简介

目前Nutch采用Sehll的启动方式，如果您使用的是Windows系统，那么首先需要安装Cygwin。本文就以在Windows中为例，介绍Nutch的安装和使用方法。

(1)准备需要的软件列表

•     Cygwin     (下载地址:http://www.cygwin.com/setup.exe)
•     Jdk(1.4.2以上版本，下载地址http://java.sun.com/javase/downloads/index.jsp）
•     Nutch(推荐使用0.9版本，下载地址http://www.apache.org/dyn/closer.cgi/lucene/nutch/）
•     Tomcat(下载地址http://tomcat.apache.org/)

(2) 安装软件

     1)  Cygwin 打开安装程序Cygwin.exe后，在"Choose Installation Type"页选择 "Install from Internet"（如果你已经把全部安装包下载到本地，就可以选择"Install from local directory"选项)。然后点击"Next".

          然后选择安装目录，其他可保持默认选项，点击"Next".

          选择保存安装包的本地目录，点击"Next".

          选择下载连接的类型，点击Next。

          然后通过服务器先下在需要安装的包列表，默认全部安装，并且选择可以使用的下载镜像地址（速度不一样，如果下载速度太慢可以换别的:) )

          请耐心等待，安装程序会自动下载和安装程序包，并且保存程序包在设定的目录，这样下次安装就不必重新下载了。我安装时大约用了3分钟，下载网速大约80Kbs/s。

          完成安装。

     2) 安装JDK，这个就不用介绍了，注意安装完成后需要在Windows的环境变量中加入JAVA_HOME=你的jdk的安装目录

     3) 安装Tomcat，这个就不用多说了吧。

     4)把Nutch解压到本地目录，例如D:/nutch。这时候启动Cygwin程序，Cygwin程序会启动一个模拟Unix/Linux的终端窗口，然后使用方式就和Unix的Shell一样了，Cygwin的根目录是/cygdriver，这个目录相当于Windows的“我的电脑”，然后进入Nutch的目录，例如：cd /cygdriver/d/nutch，然后运行bin/nutch命令，如果出现下面的Usage 信息，这样Nutch就安装完成了，非常简单。

     Usage: nutch 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
         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
         index run the indexer on parsed segments and linkdb
         merge merge several segment indexes
         dedup remove duplicates from a set of segment indexes
         plugin load a plugin and run one of its classes main()
         server run a search server
     or
         CLASSNAME run the class named CLASSNAME
     Most commands print help when invoked w/o parameters.     

 （3）开始使用Nutch

        下面用一个简单的例子说明Nutch的使用方法

        1) 添加需要爬行的内部网地址信息。

         新建一个目录，写入一些网址信息，例如我们需要爬行csdn的内部网。

             mkdir urls

             echo http://www.csdn.com/ >urls/csdn

        2) 然后修改 conf目录下的crawl-urlfilter.txt文件，这个文件中的正则表达式定义了那些文件可以被Nutch爬行，那些不可以被爬行。其中以“+”号开头的表示属于Nuch合法的Url连接，“-”号开头相反。我们需要修改文件中的

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

         为

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

 

         3)接下来我们需要配置conf/nutch-site.xml，这个需要填写相关的代理属性，应为Nutch也许要准受Robot协议，在爬行人家网站的时候，把相关的信息提交给被爬行的网站。

         我们在这个文件中，需要在<configuration>和</configuration>之间，加入是个代理属性，例如http.agent.name属性       

         <property>

         <name>http.agent.name</name>

         <value>csdn.com</value>

         <description>csdn.com</description>

         </property>

        其中除了name字段需要准确添写外，其他value和descrption字段可或添写。

       同样，还需要加入http.agent.description，http.agent.url和http.agent.email这三个属性。

 

       4)这样就完成了全部爬行所需要的配置，下面就可以用nutch的crawl命令来派性企业内部网了

        再nutch目录中输入：

        bin/nutch crawl urls -dir csdn -threads 4 -depth 2 -topN 30

        这样nutch就启动并且开始爬行任务了，由于是简单示例，所以以上这个命令很快就结束了，因为爬行的广度和深度都非常小，也就是说，示例只爬行了csdn网站的很小一部分网页。

        下面就上面命令的参数进行说明：

        Crawl命令的使用说明为: crawl <url dir> [-dir index] [-threads num] [-depth num] [-topN num]

        其中:

           urls是存放需要爬行网址的文件夹目录。

           -dir选项是抓取的页面的存放目录。

           -threads选项是启动的最大线程数。

           -depth选项是能爬行的最大深度，也就是最多爬行到第几级的页面，也叫爬行深度。

           -topN选项是在每层深度上，所能爬行的最多页面数，也称爬行广度。      

        完成爬行后，会在-dir选项所指定的目录中保存网页信息和搜索需要的索引。