Nutch
http://hi.baidu.com/goshawk2008/blog/item/5a34e336cf8b67d8a3cc2b03.html
Nutch 是一个基于 Java 实现的开源搜索引擎，其内部使用了高性能全文索引引擎工具 Lucene。从 nutch0.8.0开始，Nutch 完全构建在 Hadoop 分布式计算平台之上。Hadoop 除了是一个分布式文件系统外，还实现了 Google 的 GFS 和 MapReduce 算法。因此基于 Hadoop 的 Nutch 搜索引擎可以部署在由成千上万计算机组成的大型集群上。由于商业搜索引擎允许竞价排名，这样导致索引结果并不完全是和站点内容相关的，而 Nutch 搜索结果能够给出一个公平的排序结果，这使得 Nutch 在垂直搜索、档案互联网搜索等领域得到了广泛应用。
回页首
- Rational Application Developer v6.0
- Websphere Application Server v6.0
- Nutch 0.8.1
- SSH Service Package
- 主节点RHAS3.0
- 从节点Debian GNU/Linux 3.1
回页首
Nutch 搜索引擎是一个基于 Java 的开放源代码的搜索引擎。Nutch 搜索引擎处理流程包括抓取流程和搜索流程，如图 1 所示。相应地 Nutch 也分为2部分，抓取器和搜索器。 在抓取流程中，抓取器也叫蜘蛛或者机器人，以广度优先搜索（BFS）的方式从企业内部网或者互联网抓取网页。这个过程涉及到对 CrawlDB 和 LinkDB 数据库的操作。然后 Nutch 解析器开始解析诸如 HTML、XML、RSS、PDF等不同格式的文档。最后 Nutch 索引器针对解析结果建立索引并存储到 indexDB 和 SegmentsDB 数据库中，以供搜索器搜索使用。
在搜索流程中，搜索应用使用输入关键词调用 Nutch 搜索接口（Nutch Query Interface）。应用可通过网页上的输入框输入相应关键词。搜索接口解析搜索请求为 Lucene 全文检索引擎可以识别的格式。Nutch 索引器将会调用 Lucene 引擎来响应请求在 indexDB 上展开搜索。最后搜索接口收集从索引器返回的URL、标题、锚和从 SegmentsDB 返回的内容。所有上述内容将被提供给排序算法进行排序。排序完成后，搜索接口将返回命中的搜索结果。 由于构建在 Hadoop 分布式文件系统之上， Nutch 对CrawlDB, LinkDB, SegmentsDB 和 IndexDB 数据库的操作都是通过调用 M/R(map/reduce) 函数完成的。这使得 Nutch 具有了集群扩展能力。
现在将开发一个供 Nutch 爬虫抓取的目标网站应用。这个应用使用 RAD v6.0（Rational Application Developer）作为集成开发工具开发。应用开发完成后，将被部署在 WAS v6.0（Websphere Application Server）服务器上，本样例中服务器的域名设置是 myNutch.com。读者可以按照下面的步骤来开发该目标网站应用。
- 创建一个动态 Web 项目。打开 RAD，选择 File > New > Project，然后在向导里选择动态 Web 项目，如图 2 所示。
- 设计网页。在项目里面，选择 File > New > HTML/XHTML，创建 index.html, one.html，two.html 和 three.html 一共4个文件。 项目的最终结构组成如图 3 所示。
- 在 WAS v6.0 中运行项目。 打开 RAD， 选择 project > Run > Run on Server, 部署并在服务器上运行。如图 4 所示。
- 点击完成按钮。启动浏览器，在地址栏中输入 http://myNutch.com/targetWebApp。如图 5 所示。
在抓取网站之前，需要定义搜索引擎。在本样例中Nutch被配置为集群方式。集群包括主节点（地址9.181.87.172，操作系统 RHAS3.0）和从节点（地址 9.181.87.176，操作系统 Debian）。如前文介绍，Nutch 的集群能力主要利用了 Hadoop 的分布式计算环境。下面介绍如何定义 Nutch 搜索引擎。
- 安装 Nutch。首先下载 Nutch 安装包。本示例采用 Nutch0.8.1。解压下载到的 Nutch 0.8.1包到主节点某一工作目录下。本文中的工作目录使用 /workspace 。确认主从节点上都已安装 SSH service package和 JDK1.4 或 JDK 1.5
- Nutch 设置。在 Nutch 的工作目录下，用文本编辑器打开 conf 目录下的文件 Nutch-site.xml，输入 http.agent.name，http.agent.description，http.agent.url 和 http.agent.email 属性集。注意 http.agent.ur 属性需要填写部署目标网站的域名地址 myNutch.com。清单 1 列出了修改完毕后的 Nutch-site.xml。
<property> <name>http.agent.name</name> <value>Nutch-hadoop</value> <description>HTTP 'User-Agent' request header. MUST NOT be empty - please set this to a single word uniquely related to your organization. </description> </property> <property> <name>http.agent.description</name> <value>bydenver</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>myNutch.com</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>[email protected]</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>
- Hadoop 主节点设置。 用文本编辑器打开 conf 目录下的文件 hadoop-site.xml，插入清单 2 所列出的属性集。需要注意的是属性 fs.default.name 和 mapred.job.tracker 设置为主节点的IP地址（在本例中为9.181.87.172）。
<property> <name>fs.default.name</name> <value>9.181.87.172:9000</value> <description> The name of the default file system. </description> </property> <property> <name>mapred.job.tracker</name> <value>9.181.87.172:9001</value> <description> The host and port that the MapReduce job tracker runs at. </description> </property> <property> <name>mapred.map.tasks</name> <value>2</value> <description> define mapred.map tasks to be number of slave hosts </description> </property> <property> <name>mapred.reduce.tasks</name> <value>2</value> <description> define mapred.reduce tasks to be number of slave hosts </description> </property> <property> <name>dfs.name.dir</name> <value>/workspace/filesystem/name</value> </property> <property> <name>dfs.data.dir</name> <value>/workspace/filesystem/data</value> </property> <property> <name>mapred.system.dir</name> <value>/workspace/filesystem/mapreduce/system</value> </property> <property> <name>mapred.local.dir</name> <value>/workspace/filesystem/mapreduce/local</value> </property> <property> <name>dfs.replication</name> <value>2</value> </property> - Hadoop 从节点设置。使用文本编辑器打开 conf 目录下的 slaves 文件，输入从节点的 IP 地址。如清单 3 所示。
9.181.87.176
- 抓取器设置。首先在 Nutch 工作目录下创建目录 urls，再新建文件 urllist.txt。编辑 urllist.txt文件，输入 http://myNutch.com/targetWebApp。清单 4 列出了所使用的命令。最后需要编辑 conf 目录下的 crawl-urlfilter.txt 文件，输入 +^http://([a-z0-9]*/.)*myNutch.com/，如清单 5 所示。
cd /workspace/Nutch-0.8.1 mkdir urls echo http://myNutch.com/targetWebApp > urls/urllist.txt conf/crawl-urlfilter.txt
+^http://([a-z0-9]*/.)*myNutch.com/
在使用 Nutch 抓取之前，首先需要启动 Hadoop 服务。清单 6 列出了启动 Hadoop 服务所采用的命令。随后使用清单 7 中的命令从 myNutch.com 抓取网页并解析，其中参数 “depth 3” 表示从网页根路径算起的链接深度；参数 “topN 10” 表示抓取器在每层需要获取的最大页面数目。开始抓取后，抓取器将在当前目录下创建新目录 crawl 作为工作目录。
bin/hadoop dfs -put urls urls bin/hadoop dfs namenode –format |
bin/Nutch crawl urls -dir ./crawl -depth 3 -topN 10 |
对目标网站 targetWebApp 完成抓取后， 在 crawl 工作目录下产生了五个子目录： crawldb，linkdb，segments，indexes 和 index (见图 6)。 数据库 crawldb 中包含页面的数目等；linkdb 包含页面在数据库中的链接，这是抓取器真正抓取网站时由页面的链接数目决定；Segments 数据库按照时间戳分为三个片断，每个片断的产生都经历了 generate/fetch/update 三个过程；Indexes 数据库包含了在 generate/fetch/update 过程中产生的 Lucene 索引；Index 数据库包含了经合并处理后的 Lucene 索引。
读者也可以使用工具 Luke 去查看 Lucene 索引。 借助 Luke，可以查看索引内容以及对索引查询。图 7 列出了 index 目录下的合并后的索引。
完成抓取后，现在将开发一个基于 Nutch 搜索 API 的应用 NutchApp，提供给用户作为搜索的接口。NutchApp 使用 Java 语言编写，其实现首先创建 NutchConfiguration 对象，然后创建 NutchBean。这个 NutchBean 实例将用来处理用户的搜索请求；根据请求参数，创建 query 对象，NutchBean 通过调用 search 方法来处理此 query 对象的请求。最终搜索结果以 Hits 集合。NutchApp 遍历此 Hits 集合并打印结果到标准输出。清单 8 列出了 NutchApp 的示例代码。
package org.myNutch;
import java.io.IOException;
import java.io.*;
import java.util.*;
import org.apache.hadoop.conf.Configuration;
import org.apache.Nutch.searcher.*;
import org.apache.Nutch.util.*;
public class NutchApp {
/** For debugging. */
public static void main(String[] args) throws Exception {
String usage = "NutchBean query";
if (args.length == 0) {
System.err.println(usage);
System.exit(-1);
}
Configuration conf = NutchConfiguration.create();
NutchBean bean = new NutchBean(conf);
Query query = Query.parse(args[0], conf);
Hits hits = bean.search(query, 10);
System.out.println("Total hits: " + hits.getTotal());
int length = (int)Math.min(hits.getTotal(), 10);
Hit[] show = hits.getHits(0, length);
HitDetails[] details = bean.getDetails(show);
Summary[] summaries = bean.getSummary(details, query);
for ( int i = 0; i <hits.getLength();i++){
System.out.println(" "+i+" "+ details[i] + "/n" + summaries[i]);
}
}
}
|
接下来我们来运行 NutchApp。首先编译 NutchApp.java 并打包。打包后的文件名为 NutchApp.jar。随后在 Nutch 命令下执行。见清单 9。
Javac -cp "Nutch-0.8.1.jar;hadoop-0.4.0-patched.jar" src/org/myNutch/NutchApp.java -d lib cd lib jar cvf NutchApp.jar org/myNutch/NutchApp.class cd ../ bin/Nutch org.myNutch.NutchApp Nutch |
下面我们可以验证我们开发的 Nutch 搜索引擎的使用效果。在搜索页面搜索关键字输入“Nutch”，NutchApp 返回的搜索结果如清单 10 所示。其中包括概要和详细内容。
Total hits: 3 0 20061104142342/http://myNutch.com/targetWebApp/two.html ... 8 release of Nutch is now available. This is ... first release of Nutch 1 20061104142342/http://myNutch.com/targetWebApp/one.html ... 1 release of Nutch is now available. This is ... 2 20061104142342/http://myNutch.com/targetWebApp/three.html ... 2 release of Nutch is now available. This is ... |
通过本文的介绍，现在你已经知道如何使用 Nutch 开发集群式的搜索引擎，并使用此搜索引擎对目标网站进行抓取和分析结果，以及如何提供搜索接口来响应用户的搜索请求。事实上，搭建基于 Nutch 的搜索引擎是一个具有很大挑战性的工作，因为 Nutch 本身还在不断的发展之中，另外目标网站的结构复杂度也不尽相同。所以，针对互联网站点文档格式日益复杂的需求，接下来你还需要花一些精力关注 Nutch 高级特性的进展。
学习
- 在 Nutch 官方网站阅读更多有关 Nutch 的在线文档
- 在 Lucene 官方网站阅读更多有关 Lucene 的在线文档
- 在 Hadoop 官方网站阅读更多有关 Hadoop 的在线文档
获得产品和技术
- 下载IBM JDK
- 下载RAD 试用版
- 下载Websphere 试用版