Nutch 22+MySQL+Solr42实现网站内容的抓取和索引.docx
《Nutch 22+MySQL+Solr42实现网站内容的抓取和索引.docx》由会员分享,可在线阅读,更多相关《Nutch 22+MySQL+Solr42实现网站内容的抓取和索引.docx(9页珍藏版)》请在冰豆网上搜索。
Nutch22+MySQL+Solr42实现网站内容的抓取和索引
Nutch2.2+MySQL+Solr4.2实现网站内容的抓取和索引
Nutch2.2.1发布快两月了,该版本与Nutch之前版本相比,有较大变化,特别是与MySQL联合应用的安装和配置过程有不少地方容易出错。
本人在安装过程中也遇到了不少麻烦,大多问题通过baidu和google也没有找到解决方法,自己只能通过看代码和分析日志并试错,最终搞定了所遇到的各种问题,现将重要安装和配置过程整理如下。
1. MySQL数据库配置
l my.ini配置
分别在[client]、[mysql]下添加
1
default-character-set=utf8
在[mysqld]下添加:
1
character-set-server=utf8
l 权限授予
1
2
3
mysql–uroot–pxxxx
GRANT ALL PRIVILEGES ON *.* TO root@"%" IDENTIFIED BY "xxxx";
l 创建数据库与表
手动创建数据库nutch和数据表webpage【如果不想用默认的库名和表名也可在nutch安装后的相关配置文件中进行修改,见后续说明】,其中webpage的表结构如下:
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
CREATE TABLE `webpage`(
`id` varchar(767) NOT NULL,
`headers`blob,
`text`longtext DEFAULT NULL,
`status` int(11) DEFAULT NULL,
`markers`blob,
`parseStatus`blob,
`modifiedTime` bigint(20) DEFAULT NULL,
`prevModifiedTime` bigint(20) DEFAULT NULL,
`score` float DEFAULT NULL,
`typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,
`batchId` varchar(32) CHARACTER SET latin1 DEFAULT NULL,
`baseUrl` varchar(767) DEFAULT NULL,
`content`longblob,
`title` varchar(2048) DEFAULT NULL,
`reprUrl` varchar(767) DEFAULT NULL,
`fetchInterval` int(11) DEFAULT NULL,
`prevFetchTime` bigint(20) DEFAULT NULL,
`inlinks`mediumblob,
`prevSignature`blob,
`outlinks`mediumblob,
`fetchTime` bigint(20) DEFAULT NULL,
`retriesSinceFetch` int(11) DEFAULT NULL,
`protocolStatus`blob,
`signature`blob,
`metadata`blob,
PRIMARY KEY (`id`)
)ENGINE=InnoDB DEFAULT CHARSET=utf8;
注:
表中的字段根据nutch的conf文件“gora-sql-mapping”进行设置。
同时也可通过自动方式生成数据库和表:
配置好“gora-sql-mapping”、“gora.properties”及其它文件后,首次通过运行”bin/nutchinjecturls”即可自动生成数据库和表,不过或许在自动生成的时候你会遇到问题,不过没有关系,通过及时查看hadoop.log文件你便会发现很多问题(如下图之一)与MySQL支持的数据类型、数据长度有关,只需要根据日志提示做修改、调试(可借助navicat工具像SQLServer方便操作数据库),然后再重复自动生成过程,直到成功为止。
2. Nutch的安装与配置
1) 获取nutch2.2.x:
从官网http:
//www.apache.org/dyn/closer.cgi/nutch/下载,然后解压至本地安装目录,如本地根目录为${NUTCH_HOME};
2) 配置nutch对mysql的支持,修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件,分别:
l 将以下行的注释取消
1
default”/>
l 修改以下行。
从默认的
1
default"/>
改成
1
default"/>
l 将以下行的注释取消
1
default" />
注:
上述第2和第3项,如果按默认的不做修改,将会在抓取网页时遇到以下错误。
Exceptioninthread“main”Java.lang.ClassNotFoundException:
org.apache.gora.sql.store.SqlStore
3) 数据库连接配置
编辑${NUTCH_HOME}/conf/gora.properties文件,注释掉默认的数据库连接配置,同时添加以下配置内容:
1
2
3
4
5
6
7
8
9
10
11
12
13
###############################
#DefaultMySQLproperties #
###############################
gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
gora.sqlstore.jdbc.url=jdbc:
mysql:
//localhost:
3306/nutch?
createDatabaseIfNotExist=true
gora.sqlstore.jdbc.user=xxxx(MySQL用户名)
gora.sqlstore.jdbc.password=xxxx(MySQL密码)
4) 数据表映射配置
主要是修改${NUTCH_HOME}/conf/gora.properties文件,这里的修改建议按照前面介绍的自动生成数据表的方法进行修改,网上说的要将primarykey 的长度从512修改成767,即。
反正我照此操作没有成功(应该受编码格式的影响),最后改成搞定了。
5) 修改nutch-site配置文件
我的做法是直接将nutch-default文件另存为nutch-site,然后修改nutch-site内容,包括:
l 添加http.agent.name的值
1
2
3
4
5
6
7
http.agent.name
YourNutchSpider
l 在文件末尾添加以下内容
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
http.accept.language
ja-jp,en-us,en-gb,en;q=0.7,*;q=0.3
ValueoftheAccept-Languagerequestheaderfield.
Thisallowsselectingnon-Englishlanguageas default onetoretrieve.
Itisausefulsetting for searchenginesbuild for certainnationalgroup.
storage.data.store.class
org.apache.gora.sql.store.SqlStore
TheGoraDataStoreclass for storingandretrievingdata.
Currentlythefollowingstoresareavailable:
.
parser.character.encoding.default
utf-8
Thecharacterencodingtofallbackto when no otherinformation
isavailable
l 特别添加以下内容
1
2
3
4
5
6
7
generate.batch.id
*
如果不添加此项内容,则通过”bin/nutchcrawlurls–threadsn–depthsn”爬取网页时,在日志中会看到以下错误:
java.lang.NullPointerException
atorg.apache.avro.util.Utf8.(Utf8.java:
37)
atorg.apache.nutch.crawl.GeneratorReducer.setup(GeneratorReducer.java:
100)
atorg.apache.hadoop.mapreduce.Reducer.run(Reducer.java:
174)
atorg.apache.hadoop.mapred.ReduceTask.runNewReducer(ReduceTask.java:
649)
atorg.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:
418)
atorg.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:
398)
并且“nutch-site”文件需要保存为utf-8格式,否则在执行nutch命令时会出现以下错误。
Exceptioninthread“main”java.lang.RuntimeException:
com.sun.org.apache.xerces.internal.impl.io.malformedByteSequenceException:
1字节的UTF-8序列的字节 1 无效。
6) 编译nutch2.2
在保证已安装ant的情况下(没有安装的可在网上baidu下ant的安装方法),回到nutch根目录,使用ant编译 ${NUTCH_HOME}。
如果都按上述配置一步步做了,则编译过程将顺利完成。
至此,Nutch2.2的安装也已完成,接下来就可以根据需要配置网页抓取信息,进行网页抓取了。
3. 网页抓取配置
1) 设置抓取的网站
1
2
3
cd${NUTCH_HOME}/runtime/local
mkdir -purls
echo '' >urls/seed.txt
2) 执行爬取操作
1
bin/nutchcrawlurls-depth3-topN5