搜索引擎Nutch 0.7.2 试用笔记

  在Google里面搜索了一些Nutch的资料，还真不多。今天画了两个小时搞了一通，把一些心得纪录下来。

我的jdk 是1.5.x ，Tomcat是5.0.x

1 下载0.7.2 版本的包：里面已经包含了war文件，所以不需要Ant编译了

2 安装Cygwin，这个没什么好说的。

3 把Nutch借压缩到D:/nutch

4 在D:/nutch下面建立一个文件 urls （没有后缀）

http://www.xxx.edu.cn/

5 在D:\nutch\conf\crawl-urlfilter.txt里面，加入

+^http://www.xxx.edu.cn/

6 环境变量加入

NUTCH_JAVA_HOME = D:\jdk1.5.0_06

7 打开cygwin窗口，

cd D:\nutch

在D:\nutch下面执行

bin/nutch crawl urls -dir crawled -depth 3 >& crawl.log

这个命令会在当前目录下建立一个crawled的文件夹，然后对刚才的www.xxx.edu.cn的网站开始检索。

层数是3层，一般最好10层。然后结果输出在crawl.log里面

8 将nutch-0.7.2.war拷贝到tomcat/webapps下面，改名nutch

9 在D:\tomcat\conf\Catalina\localhost\ 建立nutch.xml

<Context path="" debug="5" privileged="true" docBase="nutch"/>

10 启动tomcat，等war解开以后，打开

D:\tomcat\webapps\nutch\WEB-INF\classes\nutch-site.xml

修改如下

<nutch-conf>
<property>
    <name>searcher.dir</name>
    <value>D:\nutch\crawled\</value>
</property>
</nutch-conf>

11 D:\tomcat\webapps\nutch\zh\include 下面新建header.jsp，内容就是复制header.html，但是

前面加上

<%@ page 
  contentType="text/html; charset=UTF-8"
  pageEncoding="UTF-8"
%>

在D:\tomcat\webapps\nutch\search.jsp里面，找到并修改为

<jsp:include page="<%= language + "/include/header.jsp"%>"/>

顺便把下面js注释掉

function queryfocus() { 

//search.query.focus();
  }

12 D:\tomcat\conf\server.xml 找到以下段，并修改

    <Connector port="8080"
               maxThreads="150" minSpareThreads="25" maxSpareThreads="75"
               enableLookups="false" redirectPort="8443" acceptCount="100"
               debug="0" connectionTimeout="20000" 
               disableUploadTimeout="true" 
               URIEncoding="UTF-8" useBodyEncodingForURI="true" />

好了，到此，重启tomcat，访问 http://localhost:8080 就可以看到搜索主页了，而且搜索支持中文

和分词，虽然分得不是很好。

13 接下来一个重要的功能就是增量更新索引。

在D:\nutch下建立recrawl.sh 。内容为

#!/bin/bash

# A simple script to run a Nutch re-crawl

if [ -n "$1" ]
then
  crawl_dir=$1
else
  echo "Usage: recrawl crawl_dir [depth] [adddays]"
  exit 1
fi

if [ -n "$2" ]
then
  depth=$2
else
  depth=5
fi

if [ -n "$3" ]
then
  adddays=$3
else
  adddays=0
fi

webdb_dir=$crawl_dir/db
segments_dir=$crawl_dir/segments
index_dir=$crawl_dir/index

# The generate/fetch/update cycle
for ((i=1; i <= depth ; i++))
do
  bin/nutch generate $webdb_dir $segments_dir -adddays $adddays
  segment=`ls -d $segments_dir/* | tail -1`
  bin/nutch fetch $segment
  bin/nutch updatedb $webdb_dir $segment
done

# Update segments
mkdir tmp
bin/nutch updatesegs $webdb_dir $segments_dir tmp
rm -R tmp

# Index segments
for segment in `ls -d $segments_dir/* | tail -$depth`
do
  bin/nutch index $segment
done

# De-duplicate indexes
# "bogus" argument is ignored but needed due to
# a bug in the number of args expected
bin/nutch dedup $segments_dir bogus

# Merge indexes
ls -d $segments_dir/* | xargs bin/nutch merge $index_dir

在cygwin里面，执行

./recrawl crawled 8

意思是更新索引，目录是crawled,层数8 。还可以把天数跟在后面。执行完毕后要重启Tomcat，因为

Nutch.war里面对查询有缓存。

最后可以把这个脚本放到crontab里面，每天夜里2点执行，执行完毕后重新启动Tomcat。