hadoop使用（四）

做一个网络爬虫的程序吧，根据客户的需求，要求把相关的内容爬取到本地

最终选择的是apache nutch，到目前为止最新的版本是1.3

1. Nutch是什么?

Nutch是一个开源的网页抓取工具，主要用于收集网页数据，然后对其进行分析，建立索引，以提供相应的接口来对其网页数据进行查询的一套工具。其底层使用了Hadoop来做分布式计算与存储，索引使用了Solr分布式索引框架来做，Solr是一个开源的全文索引框架，从Nutch 1.3开始，其集成了这个索引架构

2. 在哪里要可以下载到最新的Nutch?

在下面地址中可以下载到最新的Nutch 1.3二进制包和源代码

http://mirror.bjtu.edu.cn/apache//nutch/

3. 如何配置Nutch?

   3.1 对下载后的压缩包进行解压，然后cd $HOME/nutch-1.3/runtime/local

   3.2 配置bin/nutch这个文件的权限，使用chmod +x bin/nutch

   3.3 配置JAVA_HOME，使用export JAVA_HOME=$PATH

4. 抓取前要做什么准备工作?

4.1 配置http.agent.name这个属性，在conf目录下

<prename="code"class="html"><property> 

    <name>http.agent.name</name> 

    <value>My Nutch Spider</value> 

</property>

<pre name="code" class="html"><property> <name>http.agent.name</name> <value>My Nutch Spider</value> </property>

4.2 建立一个地址目录,mkdir -p urls

   在这个目录中建立一个url文件，写上一些url，如

http://www.apache.org

http://nutch.apache.org/

4.3 然后运行如下命令

bin/nutch crawl urls -dir mydir -depth 3 -topN 5 

bin/nutch crawl urls -dir crawl -depth 3 -topN 5

注意，这里是不带索引的，如果要对抓取的数据建立索引，运行如下命令

-dir                       选项设置抓取结果存放目录

-depth                 选项设置爬取的深度

-threads             选项设置并行爬取的线程数

-topN                  选项设置每个深度爬取的最大页数

最后就可以查看mydir中的结果了

一个典型的爬虫主要有如下阶段

1. URL库初始化然后开始爬取。
2. 爬虫读取没有访问过的URL，来确定它的工作范围。
3. 获取URL的内容
4. 解析内容，获取URL以及所需的数据。
5. 存储有价值的数据。
6. 规范化新抓取的URL。
7. 过滤掉不需要爬去的URL。
8. 把要抓取的URL更新到URL库中。
9. 重复步骤2，直到抓取的网页深度完毕为止。

   附加一张中文图

 

不知道为什么在Nutch-1.3中没了Nutch自带的搜索war文件，而且在Nutch-1.3中，抓取文件后，生成的目录只有crawldb，linkdb，segments

查了一下官网Wiki，上面是把Nutch的索引映射到solr，用solr来提供搜索功能，详见官网Wiki说明：http://wiki.apache.org/nutch/RunningNutchAndSolr

 对比这两个，搜索同一关键字，发现Nutch搜索的展示结果有重复，而solr没有重复，还有solr可以在conf/schema.xml配置字段属 性，nutch好像改了这个配置文件，也没起效果，比如，我想让索引中存储content和termvector，可是搜索结果，并没有存储

下面安装并且配置solr

从官方下载

http://www.apache.org/dyn/closer.cgi/lucene/solr/

下载完成后解压缩

到solr的example目录下，运行

java -jar start.jar

运行成功如图

打开浏览器

http://localhost:8983/solr/

进入solradmin出现如下界面，运行成功