nutch 1.4成功在windows的配置和使用

资料准备：setup.exe  这个是在windows上模拟liunx用的一个终端，下载地址：http://www.cygwin.com/(安装后注意设置环境变量CYGWIN_HOME,然后把它的bin加到path目录)

nutch 1.4  下载地址：http://www.apache.org/dyn/closer.cgi/lucene/nutch/

ant 1.8 下载地址：http://ant.apache.org/

下载好nutch 后，将它存在E:/根目录下，其它目录也可以的，然后执行setup.exe安装cygwin，具体安装流程，就不多说了，那个网上挺多的。

下来，cmd->到nutch的根目录，执行ant，对整个工程进行编译，大概需要20分钟时间，去喝杯茶，放松一下吧。

编译完以后，要开eclipse，新建java project,使用nutch作为工程内容，然后next-> add libary 选择add class folder选中conf文件，完成就OK。

你在网上会发现很多解答提到crawl-urlfilter.txt，而在1.4是没有这个文件的，不过多了regex-urlfilter.txt，在这个里面加入+^http://([a-z0-9]*\.)*163\.com  这个代表只抓取www.163.com的内容，然后在nutch-site.xml

<property>

       <name>http.agent.name</name>

       <value>haininghacker</value>

    </property>

    <property>

       <name>http.agent.url</name>

       <value>www.163.com</value>

    </property>

加入下面这段，现在还差最后一步，打开Run configurations..  打开arguments选择，在program  arguments里面输入urls -dir crawl -depth 5 -threads 4 -topN 10  然后在VM arguments输入-Xms64m -Xmx512m   OK了，来享受抓取网页的成就感吧，running......

 

遇到问题：

nutch  eclipse 下跑出现 IOException: Cannot run program "chmod": CreateProcess error=2, ?t?问题 ：
问题原因：没有安装cygwin 或 没有配置环境变量
解决办法：安装并配置环境变量 bin到 path下 重启 eclipse   问题解决

来源：http://hi.baidu.com/haininghacker/blog/item/dd91173c08e882d89f3d6285.html