Nutch模块命令Word格式.docx
《Nutch模块命令Word格式.docx》由会员分享，可在线阅读，更多相关《Nutch模块命令Word格式.docx（11页珍藏版）》请在冰豆网上搜索。
i>
Nutch爬虫迭代的深度，默认值为5。
[-topN<
num>
限制每一次迭代中的前N条记录，默认值为Integer.MAX_VALUE。
配置文件：
hadoop-default.xml
hadoop-site.xml
nutch-default.xml
nutch-site.xml
crawl-tool.xml
其他文件：
crawl-urlfilter.txt
2.readdb
rseaddb命令是“org.apache.nutch.crawl.CrawlDbReader”的别称，返回或者导出Crawl数据库（crawldb）中的信息。
bin/nutchrseaddb<
crawldb>
（-stats|-dump<
out_dir>
|-url<
url>
）
crawldb目录.
[-stats]:
在控制台打印所有的统计信息
[-dump<
导出crawldb信息到指定文件夹中的文件
[-url<
打印指定URL的统计信息
实例：
$bin/nutchreaddbfullindex/crawldb-stats
CrawlDbstatisticsstart:
fullindex/crawldb
StatisticsforCrawlDb:
TOTALurls:
468030
retry0:
467361
retry1:
622
retry2:
32
retry3:
15
minscore:
0.0
avgscore:
0.0034686408
maxscore:
61.401
status1（db_unfetched）:
312748
status2（db_fetched）:
80671
status3（db_gone）:
69927
status4（db_redir_temp）:
1497
status5（db_redir_perm）:
3187
CrawlDbstatistics:
done
hadoop-default.xml
说明：
-stats命令是一个快速查看爬取信息的很有用的工作，其输出信息表示了：
DB_unfetched：
链接到已爬取页面但还没有被爬取的页面数（原因是它们没有通过url过滤器的过滤，或者包括在了TopN之外被Nutch丢弃）
DB_gone：
表示发生了404错误或者其他一些臆测的错误，这种状态阻止了对其以后的爬取工作。
DB_fetched表示已爬取和索引的页面，如果其值为0，那肯定出错了。
3.readlinkdb
它是"
org.apache.nutch.crawl.LinkDbReader"
的别称，导出链接库中信息或者返回其中一个URL信息。
Bin/nutchreadlinkdb<
linkdb>
（-dump<
<
linkdb工作目录
导出信息到文件夹下
打印某个URL的统计信息
实例：
$bin/nutchreadlinkdbfullindex/linkdb-url
-nolinkinformation.
4.
4inject
org.apache.nutch.crawl.Injector"
的别称，注入新URL到crawldb中。
bin/nutchinjector<
urldir>
crawldb文件夹
保存有URL的文件的文件夹目录
以下配置文件参数影响到了注入方式：
db.default.fetch.interval——按天设置爬取间隔，默认值30.0f
db.score.injected——设置URL的默认打分，默认值1.0f
urlnormalizer.class——规范化URL的类，默认值为.BasicUrlNormalizer
5.generate
它是“org.apache.nutch.crawl.Generator”，从Crawldb中抓取新的Segment。
bin/nutchgenerator<
segments_dir>
[-topN<
][-numFetchers<
fetchers>
][-adddays<
days>
]
crawldb目录
新建的爬取Segment目录
选取前多少个链接，默认值为Long.MAX_VALUE
[-numFetchers<
抓取分区数量。
Default:
Configurationkey->
mapred.map.tasks->
1
[-adddays<
]:
添加<
到当前时间，配置crawlingurls，以将很快被爬取db.default.fetch.interval默认值为0。
爬取结束时间在当前时间以前的。
示例：
bin/nutchgenerate/my/crawldb/my/segments-topN100-adddays20
generate.max.per.host–设置单个主机最大的URL数量，默认情况下：
unlimited。
6.fetch
它是“org.apache.nutch.fetcher.Fetcher”的代称，它负责一个segment的爬取。
使用方法：
bin/nutchfetcher<
segment>
[-threads<
][-noParsing]
segment目录
运行的fetcher线程数默认值为ConfigurationKey->
fetcher.threads.fetch->
10
[-noParsing]：
禁用自动解析segment数据
Fetcher依赖于多个插件以爬取不同的协议，目前已有的协议及支撑插件如下：
http:
protocol-http
protocol-httpclient
https:
ftp:
protocol-ftp
file:
protocol-file
当爬取网上文档的时候，不应该使用protocol-file，因为它是用于爬取本地文件的。
如果你想爬取http、https，应当使用protocol-httpclient。
7parse
它是“org.apache.nutch.parse.ParseSegment”的代称，它对一个segment运行ParseSegment。
bin/nutchparse<
Crawl-parse,parse-data,parse-text,都是这个命令产生的。
参数说明：
Segment文件夹
配置文件：
它依赖于多个插件来解析不同格式的内容，支持的格式及插件有：
内容格式插件备注
text/htmlparse-html使用NekoHTML或者TagSoup解析HTML
application/x-javascriptparse-js解析JavaScript文档（.js）.
audio/mpegparse-mp3解析MP3Audio文档（.mp3）.
application/vnd.ms-excelparse-msexcel解析MSExcel文档（.xls）.
application/vnd.ms-powerpointparse-mspowerpoint解析MSPower!
Point文档
application/mswordparse-msword解析MSWord文档
application/rss+xmlparse-rss解析RSS文档（.rss）
application/rtfparse-rtf解析RTF文档（.rtf）
application/pdfparse-pdf解析PDF文档
application/x-shockwave-flashparse-swf解析Flash文档（.swf）
text-plainparse-text解析Text文档（.txt）
application/zipparse-zip解析Zip文档（.zip）
othertypesparse-ext通过基于content-type或者路径前缀的外部命令来解析文档
默认情况下只有txt、HTML、JS格式的插件可用，其他的需要在nutch-site.xml中配置使用。
8segread
"
segread"
是"
org.apache.nutch.segment.SegmentReader"
的代称，它读取并导出Segment数据。
bin/nutchsegread<
在Nutch0.9后的版本中改为了readseg
9updatedb
它是“org.apache.nutch.crawl.CrawlDb”的代称，用fetch过程中获取的信息更新crawldb。
bin/nutchupdatedb<
[-noadditions]
已经爬取的segment目录
[-noadditions]：
是否添加新的链接到crawldb中
10invertlinks
它是“org.apache.nutch.crawl.LinkDb”的代称，它用从segment中获取到的信息更新linkdb。
bin/nutchinvertlinks<
（-dirsegmentsDir|segment1segment2...）
:
linkdb目录
segment目录，可以指定至少一个的文件夹
11index
它是“org.apache.nutch.indexer.Indexer”的代称，创建一个segment的索引，利用crawldb和linkdb中的数据对索引中的页面打分。
bin/nutchindex<
index>
...
索引创建后的保存目录
crawldb目录
segment目录，可以指定多个
12merge
Merge是“org.apache.nutch.indexer.IndexMerger”的代称，它合并多个segment索引。
bin/nutchmerge[-workingdir<
workingdir>
]<
outputIndex>
indexesDir>
[-workingdir<
提定工作目录
合并后的索引存储目录
包含待合并的索引目录，可以指定多个
13mergedb
它是“org.apache.nutch.crawl.CrawlDbMerger”的代称，合并多个CrawlDb，URLFilter可选择性地过滤指定内容。
可以合并多个DB到一个中。
当你分别运行爬虫并希望最终合并DB时，它会相当有用。
可选择地，可以运行当前URLFilter过滤数据库中的URL，以滤去不需要的URL。
当只有一个DB时也很有用，它意味着你可以通过这个工作去滤掉那些DB中你不想要的URL。
只用这个工具来过滤也是可能的，在这种情况下，只指定一个crawldb。
如果同一个URL包括在多个CrawlDb中，只有最近版本的才会被保留，即由org.apache.nutch.crawl.CrawlDatum.getFetchTime（）值决定的。
然而，所有版本的元数据被聚合起来，新的值代替先前的值。
bin/nutchmergeoutput_crawldbcrawldb1[crawldb2crawldb3...][-filter]
output_crawldb：
CrawlDb输出文件夹
crawldb1[crawldb2crawldb3...]：
一个或者多个CrawlDb（s）.
-filter：
采用的URLFilters
14mergelinkdb
它是“org.apache.nutch.crawl.LinkDbMerger”的代称，用于合并多个linkdb，可以选择性的使用URLFilter来过滤指定内容。
当分别从多个segment群中分布式建立LinkDb而又需要合并为一个时很有用。
或者，也可以指定单个LinkDb，只是用它来过滤URL。
只用这个工具来过滤也是可能的，在这种情况下，只指定一个LinkDb。
如果一个URL包含在多个LinkDb中，所有的内部链接被聚合，但是最多db.max.inlinks指定的内链数会添加进来。
如果被激活，URLFilter可以应用到所有的目标URL及其内链中。
如果目标链接被禁止，所有的该目标链接的内链将和目标链接一起被移去。
如果某些内链被禁止，那么只有他们会被移去，在校验上面提到的最大限制数时他们不会被计算在内。
bin/nutchmergelinkdboutput_linkdblinkdb1[linkdb2linkdb3...][-filter]
output_linkdb：
输出linkdb
linkdb1[linkdb2linkdb3...]:
多于一个的输入LinkDb（s）
-filter:
ActualURLFilterstobeappliedonurlsandlinksinLinkDb（s）.
15mergesegs
它是“org.apache.nutch.segment.SegmentMerger”的代称，用于合并多个segment，可以选择性地输出到一个或者多个固定大小的segment中。
bin/nutchmergesegsoutput_dir（-dirsegments|seg1seg2...）[-filter][-sliceNNNN]
output_dir：
结果segment的名称或者segment片的父目录
-dirsegments：
父目录，包括多个segment
seg1seg2...：
segment目录列表
通过URLFilters过滤
-sliceNNNN:
创建多个输出segment，每一个中包括了NNNN个URL。
16dedup
“dedup”是“org.apache.nutch.indexer.DeleteDuplicates”的别名，它segmentindexes中去掉重复的页面。
bin/nutchdedup<
indexes>
indexes索引文件
17plugin
它是“org.apache.nutch.plugin.PluginRepository”的代称，用于从插件库中加载一个插件并执行其主方法。
bin/nutchplugin<
pluginId>
className>
[args...]
期望执行的插件ID
包含主方法的类名
[args]：
传入插件的参数
升级会员 