Nutch 使用总结.docx
《Nutch 使用总结.docx》由会员分享，可在线阅读，更多相关《Nutch 使用总结.docx（11页珍藏版）》请在冰豆网上搜索。
Nutch使用总结
Nutch 是一个开源Java 实现的搜索引擎。
它提供了我们运行自己的搜索引擎所需的全部工具。
包括全文搜索和Web爬虫。
Nutch使用方法简介：
nutch1.2eclipsetomcat6.0配置:
Nutch实战：
介绍了开源搜索引擎Nutch的基本信息，详细说明了在Eclispe下运行Nutch的步骤和需要注意的问题，还分析了部分源代码。
很好的文章
Nutch目录结构
bin：
用于命令行运行的文件；
conf：
Nutch的配置文件
lib：
一些运行所需要的jar文件；
plugins：
存放相应的插件；
src：
Nutch的所有源文件；
webapps：
web运行相关文件；
nutch-0.9.war是Nutch所提供的基于Tomcat的应用程序包。
Nutch工作流程
1.将起始URL集合注入到Nutch系统之中。
2.生成片段文件，其中包含了将要抓取的URL地址。
3.根据URL地址在互联网上抓取相应的内容。
4.解析所抓取到的网页，并分析其中的文本和数据。
5.根据新抓取的网页中的URL集合来更新起始URL集合，并再次进行抓取。
6.同时，对抓取到的网页内容建立索引，生成索引文件存放在系统之中。
（1）准备需要的软件列表
Cygwin （下载地址:
Jdk（1.4.2以上版本，下载地址
Nutch（推荐使用0.9版本，下载地址http:
//www.apache.org/dyn/closer.cgi/lucene/nutch/）
Tomcat（下载地址http:
//tomcat.apache.org/）
（2）安装软件
1） Cygwin打开安装程序Cygwin.exe后，在"ChooseInstallationType"页选择"InstallfromInternet"（如果你已经把全部安装包下载到本地，就可以选择"Installfromlocaldirectory"选项）。
然后点击"Next".
然后选择安装目录，其他可保持默认选项，点击"Next".
选择保存安装包的本地目录，点击"Next".
选择下载连接的类型，点击Next。
然后通过服务器先下在需要安装的包列表，改为install比较合适，默认为default安装不全
完成安装。
图文讲解
2） 安装JDK ，注意安装完成后需要在Windows的环境变量中加入JAVA_HOME=你的jdk的安装目录
3）安装Tomcat，下载安装版。
4）把Nutch解压到本地目录，例如D:
/nutch。
启动Cygwin程序，Cygwin程序会启动一个模拟Unix/Linux的终端窗口，然后使用方式就和Unix的Shell一样了，Cygwin的根目录是/cygdriver，这个目录相当于Windows的“我的电脑”，然后进入Nutch的目录，例如：
cd/cygdriver/d/nutch，然后运行bin/nutch命令，如果出现下面的Usage信息，这样Nutch就安装完成了，非常简单。
注意cygwin路径的切换方法：
命令：
cdd:
/nutch
（3）使用Nutch
Nutch 的爬虫有两种方式
• 爬行企业内部网（Intranetcrawling）。
针对少数网站进行，用crawl命令。
• 爬行整个互联网。
使用低层的inject,generate,fetch和updatedb命令，具有更强的可控制性。
1）添加需要爬行的内部网地址信息。
新建一个目录，写入一些网址信息，例如我们需要爬行csdn的内部网。
mkdirurls
echo>urls/csdn 后面有斜线
2）然后修改conf目录下的crawl-urlfilter.txt文件，这个文件中的正则表达式定义了那些文件可以被Nutch爬行，那些不可以被爬行。
其中以“+”号开头的表示属于Nuch合法的Url连接，“-”号开头相反。
我们需要修改文件中的
#accepthostsinMY.DOMAIN.NAME
+^http:
//（[a-z0-9]*/.）*MY.DOMAIN.NAME/
为
#accepthostsinMY.DOMAIN.NAME
+^http:
//（[a-z0-9]*/.）*
或
#accepthostsinMY.DOMAIN.NAME
+^http:
//（[a-z0-9]*\.）*
3）接下来我们需要配置conf/nutch-site.xml，这个需要填写相关的代理属性，应为Nutch也许要准受Robot协议，在爬行人家网站的时候，把相关的信息提交给被爬行的网站。
我们在这个文件中，需要在和之间，加入是个代理属性，例如http.agent.name属性
http.agent.name
nutch-1.2
其中除了name字段需要准确添写外，其他value和descrption字段可或添写。
同样，还需要加入http.agent.description，http.agent.url和http.agent.email这三个属性。
例如
[xhtml] viewplaincopy
1.
xml version="1.0"?
>
2.
xml-stylesheet type="text/xsl" href="configuration.xsl"?
>
3.
-- Put site-specific property overrides in this file. -->
4.
5.
6. http.agent.name
7. nutch-1.2
8. tjt
9.
10.
11. http.robots.403.allow
12. true
13.
14.
15.
16. http.agent.description
17. tjtnutchhoho
18.
19.
20.
21. http.agent.url
22.
23.
24.
25.
26. http.agent.email
27. tangjiutao@
28.
29.
30.
31. http.agent.version
32. Nutch-1.2
33.
34.
35.
-- file properties -->
36.
37.searcher.dir
38.E:
/nutch/csdn
39.
40.
41.
这里的设置，是因为nutch遵守了robots协议，在获取response时，把自己的相关信息提交给被爬行的网站，以供识别。
4）这样就完成了全部爬行所需要的配置，下面就可以用nutch的crawl命令来派性企业内部网了
再nutch目录中输入：
bin/nutchcrawlurls-dircsdn-threads4-depth2-topN30
这样nutch就启动并且开始爬行任务了，由于是简单示例，所以以上这个命令很快就结束了，因为爬行的广度和深度都非常小，也就是说，示例只爬行了csdn网站的很小一部分网页。
下面就上面命令的参数进行说明：
Crawl命令的使用说明为:
crawl[-dirindex][-threadsnum][-depthnum][-topNnum]
其中:
urls是存放需要爬行网址的文件夹目录。
-dir选项是抓取的页面的存放目录。
-threads选项是启动的最大线程数。
-depth选项是能爬行的最大深度，也就是最多爬行到第几级的页面，也叫爬行深度。
-topN选项是在每层深度上，所能爬行的最多页面数，也称爬行广度。
完成爬行后，会在-dir选项所指定的目录中保存网页信息和搜索需要的索引。
********************************************************
常见报错：
（1）Exceptioninthread"main"java.io.IOException:
Jobfailed!
atorg.apache.hadoop.mapred.JobClient.runJob（JobClient.java:
1252）
atorg.apache.nutch.crawl.Injector.inject（Injector.java:
217）
atorg.apache.nutch.crawl.Crawl.main（Crawl.java:
124）
请检查nutch-default.xml的plugin.folders是否修改为./src/plugin，默认为plugins，修改后启动正常
（2）org.apache.nutch.plugin.PluginRuntimeException:
java.lang.ClassNotFoundException:
.urlnormalizer.basic.BasicURLNormalizer
********************************************************
PDF支持：
默认情况下不支持对pdf文件的索引，要想对pdf文件也进行正确的索上，找到nutch-default.xml中的plugin.includes属性，添加上pdf，即为parse-（text|html|js|pdf）。
Nutch的爬行结果目录
爬行结果目录含有segment,linkdb,indexes,index,crawldb文件夹
Nutch的数据文件
crawldb:
爬行数据库，用来存储所要爬行的网址
linkdb:
链接数据库，用来存储每个网址的链接地址，包括源地址和链接地址
segments:
抓取的网址被作为一个单元，而一个segment就是一个单元。
一个segment包括以下子目录:
crawl_generate:
包含所抓取的网址列表
crawl_fetch:
包含每个抓取页面的状态
content:
包含每个抓取页面的内容
parse_text:
包含每个抓取页面的解析文本
parse_data:
包含每个页面的外部链接和元数据
crawl_parse:
包含网址的外部链接地址，用于更新crawldb数据库
indexes:
采用Lucene的格式建立索引集
index：
最终生成的目录
WebDB内存储了两种实体的信息：
page和link。
Page实体通过描述网络上一个网页的特征信息来表征一个实际的网页，因为网页有很多个需要描述，WebDB中通过网页的URL和网页内容的MD5两种索引方法对这些网页实体进行了索引。
Page实体描述的网页特征主要包括网页内的link数目，抓取此网页的时间等相关抓取信息，对此网页的重要度评分等。
同样的，Link实体描述的是两个page实体之间的链接关系。
WebDB构成了一个所抓取网页的链接结构图，这个图中Page实体是图的结点，而Link实体则代表图的边。
一次爬行中每次循环都会产生一个segment，每个segment内存储的是爬虫Crawler在单独一次抓取循环中抓到的网页以及这些网页的索引。
Crawler爬行时会根据WebDB中的link关系按照一定的爬行策略生成每次抓取循环所需的fetchlist，然后Fetcher通过fetchlist中的URLs抓取这些网页并索引，然后将其存入segment。
Segment是有时限的，当这些网页被Crawler重新抓取后，先前抓取产生的segment就作废了。
在存储中。
Segment文件夹是以产生时间命名的，方便我们删除作废的segments以节省存储空间。
Index是Crawler抓取的所有网页的索引，它是通过对所有单个segment中的索引进行合并处理所得的。
Nutch利用Lucene技术进行索引，所以Lucene中对索引进行操作的接口对Nutch中的index同样有效。
但是需要注意的是，Lucene中的segment和Nutch中的不同，Lucene中的segment是索引index的一部分，但是Nutch中的segment只是WebDB中各个部分网页的内容和索引，最后通过其生成的index跟这些segment已经毫无关系了。
Nutch之Crawler工作流程
在Nutch中，Crawler操作的实现是通过一系列子操作的实现来完成的。
这些子操作Nutch都提供了子命令行可以单独进行调用。
下面就是这些子操作的功能描述以及命令行，命令行在括号中。
1）建立初始URL集
2）将URL集注入crawldb数据库---inject
3）根据crawldb数据库创建抓取列表---generate
4）执行抓取，获取网页信息---fetch
5）更新数据库，把获取到的页面信息存入数据库中---updatedb
6）重复进行3～5的步骤，直到预先设定的抓取深度。
---这个循环过程被称为“产生/抓取/更新”循环
7） 根据sengments的内容更新linkdb数据库---invertlinks
8） 建立索引---index
9）在索引中丢弃有重复内容的网页和重复的URLs（dedup）.
10）将segments中的索引进行合并生成用于检索的最终index（merge）.
11） 用户通过用户接口进行查询操作
12）将用户查询转化为lucene查询
13）返回结果
其中，1~6属于爬虫部分；7~10属于索引部分；11~13属于查询部分。
在创建一个WebDB之后，“产生/抓取/更新”循环（步骤3－6）根据一些种子URLs开始启动。
当这个循环彻底结束，Crawler根据抓取中生成的segments创建索引（步骤7－10）。
在进行重复URLs清除（步骤9）之前，每个segment的索引都是独立的（步骤8）。
最终，各个独立的segment索引被合并为一个最终的索引index（步骤10）。
其中有一个细节问题，Dedup操作主要用于清除segment索引中的重复URLs，但是我们知道，在WebDB中是不允许重复的URL存在的，那么为什么这里还要进行清除呢？
原因在于抓取的更新。
比方说一个月之前你抓取过这些网页，一个月后为了更新进行了重新抓取，那么旧的segment在没有删除之前仍然起作用，这个时候就需要在新旧segment之间进行除重。
Nutch本身的搜索测试：
在cygwin中输入”bin/nutchorg.apache.nutch.searcher.NutchBeancsdn”，即调用NutchBean的main方法搜索关键字”csdn”，在cygwin可以看到搜索出：
Totalhits:
29（hits相当于JDBC的results）
注意：
如果发现搜索结果始终为0 ，则需要配置一下nutch-1.2/conf的nutch-site.xml 试试添加下面这段：
（注意之前的http.agent.name必须有，如果没有这个property，则搜索结果一直为0）
[xhtml] viewplaincopy
1.
-- file properties -->
2.
3.searcher.dir
4.E:
/nutch/csdn
5.
6.
使用Tomcat进行搜索测试
（1）将nutch目录的nutch-1.0.war复制到tomcat/webapps下,可以改名为nutch以简化目录名，不改也可以
（2）启动tomcat，然后就在webapps下面自动生成了一个nutch的文件夹,
（3）打开nutch/WEB-INF/classes下的nutch-site.xml文件，改为以下内容
[xhtml] viewplaincopy
1.
xml version="1.0"?
>
2.
xml-stylesheet type="text/xsl" href="configuration.xsl"?
>
3.
4.
5.searcher.dir
6.E:
/nutch/csdn
7.
8.
9.
（4）启动Tomcat，打开浏览器在地址栏中输入：
http:
//localhost:
8080/nutch ,就可以看到搜索页面了.
注意：
从网页上复制的代码可能存在一些非英文编码字符，会造成影响，我就遇到了这个问题。
把前面的空格等都去掉就解决了。
nutch抓取下来，但搜索不到结果的解决方案
（1）在cygwin中输入”bin/nutchorg.apache.nutch.searcher.NutchBeancsdn”测试是否已经抓取了页面，如果有结果，则说明有
（2）查看tomcat的webapps/nutch/WEB-INF/classes下的nutch-site.xml文件里，是否设置了searcher.dir属性，这是必须的
（3）别忘了在设置完成后，要重启下tomcat。
（’?
ˆÓ每ŽŸ?
C‰ünutch-site.xml•¶Œ?
?
@“s—v?
d?
V启动tomcat?
j
（4）貌似nutch/conf/nutch-site.xml也要设置searcher.dir属性，都进行设置
中文乱码问题
在文本框中输入关键字,就可以进行搜索了.不过用户在使用时会发现，对于英文单词的搜索一切正常,而当要搜索中文词语时会出现乱码。
其实这个问题是Tomcat设置的问题，解决办法是修改tomcat的配置文件，打开tomcat/conf下的server.xml文件，将其中的Connector部分改成如下形式即可：
将
connectionTimeout="20000"
redirectPort="8443"/>
改为
connectionTimeout="20000"
redirectPort="8443"
URIEncoding="UTF-8"
useBodyEncodingForURI="true"/>
然后重启 tomcat 即可。
索引查看
LukeAll3.01打开爬行结果目录下的index目录
注意：
低版本Luke不能打开该文件，需要高版本的Luke，下载地址
Dedian同志翻译的DougCutting访谈录--关于搜索引擎的开发 。
http:
升级会员 