一,准备工作,nutch 1.0 的下载与抽取

本文为solomon@javaeye原创,如有转载,注明出处(作者solomon与链接 http://zolomon.iteye.com).
本专题使用中文分词为ikanalyzer,感谢其作者为java中文事业做出的巨大贡献.
我的个人资料 http://www.google.com/profiles/solomon.royarr


1)下载nutch 1.0
  读者可以选择下面2种中的1种下载nutch.
  初学者可以选择第a种,如果想从源码开始的同学可以选择b方式下载.
  选择a方式的读者可以在完成a步之后继续下面第2)步解压nutch1.0,
  选择b方式的读者请直接跳到7)步构建eclipse nutch 1.0 工程.
  a)从官网下载nutch-1.0.tar.gz
    nutch 1.0下载:
请从这里选择一个镜像下载
http://www.apache.org/dyn/closer.cgi/lucene/nutch/
也可以直接点击下边这个链接下载
http://labs.xiaonei.com/apache-mirror/lucene/nutch/nutch-1.0.tar.gz
(不知道读者读到这篇的时候这些链接是否仍然有效)
如果发现两个缺失的jar请到这里下载
http://pdfbox.cvs.sourceforge.net/viewvc/pdfbox/pdfbox/external/
并把它们放在src/plugin/parse-pdf/lib里边
  b)从svn下载nutch 1.0源码等
    待补全
2)抽取nutch 1.0 文件
  a)使用rar解压
    新版本的rar直接解压出来就行了,
旧版本的winrar解压出来会提示文件损坏,
  b)使用cygwin模拟unux文件系统环境
    下载cygwin:
http://www.cygwin.com/setup.exe
截止到笔者作文之日,此链接仍可用.
若链接失效,请访问cygwin主页 http://www.cygwin.com/寻找.
下载之后是一个在线安装的程序,运行起来之后还需要等待在线安装.
中间过程均使用默认即可.
安装好cygwin之后,桌面上会出现Cygwin的快捷方式.
双击运行即进入模拟unix的命令行界面.
将nutch-1.0.tar.gz复制到${cygwin.home}\home\${user.home}下面,
我这里是C:\cygwin\home\solomon目录.
在cygwin里面进入这个目录,执行命令解压nutch-1.0.tar.gz到nutch-1.0目录
关于解压命令,可见 http://zolomon.iteye.com/blog/372410