Nutch之初体验(1)

Nutch 是一个网络爬虫,网上的例子多是基于 0.7 版本的,而对于0.8,却有一些不同的地方,折腾了许久,最终搞定。
 
系统环境: Tomcat 5.0.12/JDK1.5/nutch0.8.1/cygwin

配置过程:
 
1. 因为 nutch 的运行需要 unix 环境,所以对于 windows 用户,要先下载一个 cygwin ,它是一个自由软件,可在 windows 下模拟 unix 环境,你可以到 http://www.cygwin.com/ 下载在线安装程序.

2. 下载 nutch0.8.1 ,下载地址 http://apache.justdn.org/lucene/nutch/ ,我下载后是解压到 D:\ nutch-0.8.1

3. 在 nutch-0.8.1 新建文件夹 urls ,在 urls 建一文本文件,文件名任意(如nutch),添加一行内容: http://localhost:8080/ ,这是要搜索的网址

4. 打开 nutch-0.8.1 下的 conf ,找到 crawl-urlfilter.txt ,找到这两行
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
红色部分是一个正则式,你要搜索的网址要与其匹配,在这里我改为 http://localhost:8080/

5. OK ,下面开始对搜索网址建立索引,运行 cygwin ,会打开一个命令窗口,输入 ”cd cygdrive/d/ nutch-0.8.1” ,转到 nutch-0.8.1 目录

6. 运行Crawl命令抓取网站内容.Nutch的爬虫抓取网页有两种方式,一种方式是Intranet Crawling,针对的是企业内部网或少量网站,使用的是crawl命令;另一种方式是Whole-web crawling,针对的是整个互联网,使用inject、generate、fetch和updatedb等更底层的命令。
执行 ”bin/nutch crawl urls -dir crawl-depth 5
参数意义如下(可参见apache 网站 http://lucene.apache.org/nutch/tutorial8.html ):
-dir dir names the directory to put the crawl in.
-threads threads determines the number of threads that will fetch in parallel.
-depth depth indicates the link depth from the root page that should be crawled.
-topN N determines the maximum number of pages that will be retrieved at each level up to the depth.
crawl.log : 日志文件

执行后可以看到 nutch-0.8.1 下新增一个 crawl 文件夹,它下面有 5 个文件夹:
① / ② crawldb/ linkdb : web link 目录,存放 url 及 url 的互联关系,作为爬行与重新爬行的依据,页面默认 30 天过期 (可以在 nutch-site.xml 中配置,后面会提到)
③ segments : 一存放抓取的页面,与上面链接深度 depth 相关, depth 设为 5 则在 segments 下生成5个以时间命名的子文件夹 ,打开此文件夹可以看到,它下面还有 6 个子文件夹,分别是(apache 网站 http://lucene.apache.org/nutch/tutorial8.html ):

crawl_generate : names a set of urls to be fetched

crawl_fetch : contains the status of fetching each url
content : contains the content of each url
parse_text : contains the parsed text of each url
parse_data : contains outlinks and metadata parsed from each url
crawl_parse : contains the outlink urls, used to update the crawldb

④ indexes : 索引目录,我运行时生成了一个 ” part-00000” 的文件夹,
⑤ index : lucene 的索引目录( nutch 是基于 lucene 的 ,在 nutch-0.8.1\lib 下可以看到 lucene-core-1.9.1.jar ),是 indexs 里所有 index 合并后的完整索引,注意索引文件只对页面内容进行索引,没有进行存储,因此查询时要去访问 segments 目录才能获得页面内容
7. 进行简单测试,在 cygwin 中输入 ”bin/nutch org.apache.nutch.searcher.NutchBean tomcat” ,即调用 NutchBean 的 main 方法搜索关键字 ”tomcat” ,在 cygwin 可以看到搜索出: Total hits: 67
注意: 如果发现搜索结果始终为 0 ,则需要配置一下 nutch-0.8.1 \conf 的 nutch-site.xml(我在这里折腾了许久!) ,配置内容和下面过程 9 的配置相同 ( 另外,过程 6 中 depth 如果设为 1 也可能造成搜索结果为 0) ,然后重新执行过程 6 .

8. 下面我们要在 Tomcat 下进行测试, nutch-0.8.1 下面有 nutch-0.8.1.war ,拷贝到 Tomcat\webapps 下,Tomcat 启动后自动解压,解压文件夹名为: nutch-0.8.1

9. 打开 nutch\WEB-INF\classes 下 nutch-site.xml 文件,下面红色为需要新增的内容,其他为原 nutch-site.xml 内容
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<!-- Put site-specific property overrides in this file. -->
<configuration>
<!-- HTTP properties -->
<property>
  <name>http.agent.name</name>
  <value>*</value>
  <description></description>
</property>
<!-- file properties -->
<property>
  <name>searcher.dir</name>
  <value>D:\nutch-0.8.1\crawl</value>
  <description></description>
</property>
</configuration>
http.agent.name :必须,如果去掉这个 property 查询结果始终为0(网上的例子很多都没讲这一点!)
searcher.dir :指定前面在 cygwin 中生成的 crawl路径
其中我们还可以设置重新爬行时间(在过程 6 提到:页面默认 30 天过期 )
<property>
 <name>fetcher.max.crawl.delay</name>
 <value>30</value>
 <description></description>
</property>

另外还有很多参数可以在 nutch-0.8.1\conf 下的 nutch-default.xml 查询, nutch-default.xml 中的 property 配置都带有注释,有兴趣的可以分别拷贝到 Tomcat\webapps\nutch\WEB-INF\classes\nutch-site.xml 中进行调试

10.打开 http://localhost:8081/nutch ,输入 ”tomcat” ,可以看到 ” 共有67项查询结果 ” ,和上面在过程 7 进行简单测试的结果一致 .

结果如下:

posted @ 2008-04-08 08:36  YY哥  阅读(2033)  评论(0编辑  收藏  举报