基于hadoop+nutch+solr的搜索引擎环境搭载<二>nutch+solr整合以及搭载在hadoop上

   官方文档：nutch+hadoop

　　　　　　nutch+solr

   版本： 

   nutch：nutch1.6

   solr：  solr3.6.2

   可以参照hadoop1.0.4+nutch1.6“单机”配置

    一，ant编译nutch

    下载apache-nutch-1.6-src.tar.gz，解压之。

   

    在nutch1.6/conf下

 先修改 nutch-default.xml中http.agent.name和http.robots.agents，value值随意，但是要保持一致

 

 

<name>http.agent.name</name>
  <value>sleeper_qp</value>
  <description>HTTP 'User-Agent' request header. MUST NOT be empty - 
  please set this to a single word uniquely related to your organization.

  NOTE: You should also check other related properties:

    http.robots.agents
    http.agent.description
    http.agent.url
    http.agent.email
    http.agent.version

  and set their values appropriately.

  </description>
</property>

<property>
  <name>http.robots.agents</name>
  <value>sleeper_qp</value>
  <description>The agent strings we'll look for in robots.txt files,
  comma-separated, in decreasing order of precedence. You should
  put the value of http.agent.name as the first agent name, and keep the
  default * at the end of the list. E.g.: BlurflDev,Blurfl,*
  </description>
</property>

 

然后

 

cp nutch-default.xml nutch-site.xml

在nutch1.6下ant编译

 二，测试nutch

      启动hadoop，新建，上传urls.txt

~/hadoop-1.0.4$ bin/start-all.sh 
~/hadoop-1.0.4$ touch urls.txt

在urls.txt写入你想爬的网站

~/hadoop-1.0.4$ bin/hadoop fs -mkdir urls
~/hadoop-1.0.4$ bin/hadoop fs -put urls.txt urls/

 

 

添加hadoop的环境变量  

修改～/.bashrc:

export HADOOPHOME=/home/hadoop/hadoop
export PATH=$PATH:$HADOOPHOME/bin

 说明：直接输入hadoop的命令可能会有警告，这是因为hadoop自身也配置了自己的路径(在HADOOP_HOME/bin/hadoop-config.sh)

 

    在nutch/runtime/deploy下输入

~/nutch1.6/runtime/deploy$ bin/nutch crawl urls -dir crawl -depth 3 -topN 3
解释
-dir是爬取内容存放的文件 -depth 爬取深度  -topN 

完成后可查看hdfs

输入hadoop fs -ls查看新的crawl文件夹

 

 

三，安装solr

    下载解压solr3.6.2  

     修改NUTCH_HOME/conf下的schema.xml

<field name="content" type="text" stored="true" indexed="true"/>

     拷贝NUTCH_HOME/conf下的schema.xml到solr/example/solr/conf/下

     然后solr/example/solr/conf/下的solrconfig.xml中的str name="df"后的text全部改为content   PS：因为版本的变更，默认值有text该为了content

     在{APACHE_SOLR_HOME}/example下输入：

     java -jar start.jar

 

四，整合测试

     保证正确，重启hadoop(删除前面的hdfs中的crawl)，重启solr

    在浏览器下查看相关信息：

   http://localhost:8983/solr/

   http://localhost:50070

     在~/nutch1.6/runtime/deploy下输入

bin/nutch crawl urls -solr http://localhost:8983/solr -dir crawl -depth 1 -topN 1

   在正确运行的情况下，可以在http://localhost:8983/solr/admin/   输入你先前爬取网站的相关内容，可以得到一个xml格式的结果

  

 

posted on 2013-05-06 15:43  sleeper_qp  阅读(3012)  评论(0)  编辑  收藏  举报

导航