Nutch 笔记（一）：Quick Start TomcatluceneApache.netJDK

最近用到了nutch,目的是针对指定的一些网站抓取其内容，然后做分析用。
nutch 笔记是我使用nutch过程一系列总结，写下自己的学习经过和大家一起分享，也希望能得到大家的指点

好了，废话少说，言归正传，第一篇：Quick Start,我们的目标是快速的能跑起来，能检索出我们想要的结果。

首先要明白nutch是什么？
nutch是一个基于lucene的开源搜索引擎，它包括了所有你想要的东西，是一个完整的解决方案 。


一：安装JDK
如果你已经安装了JDK,并且已经设置了JAVA_HOME，那么跳过这一步
安装jdk

sudo apt-get install sun-java5-jdk

或者从sun公司网站下载bin文件执行安装

设置了JAVA_HOME

sudo vi ~/.bashrc

在最后面增加

export JAVA_HOME=/usr/lib/jvm/java-1.5.0-sun
export PATH=$PATH:$JAVA_HOME/bin

二：下载nutch的最新版本nutch0.8.1

wget http://apache.justdn.org/lucene/nutch/nutch-0.8.1.tar.gz

释放下来即可

tar zxvf nutch-0.8.1.tar.gz

三：抓取页面
增加url

cd nutch-0.8.1
mkdir urls
echo http://www.xici.net>>urls/xici

编辑conf/crawl-urlfilter.txt,修改MY.DOMAIN.NAME为

+^http://([a-z0-9]*.)*xici.net/

修改conf/nutch-site.xml，增加http.agent.name值

  <property>
     <name>http.agent.name</name>
     <value>test/unique</value>
  </property>

执行bin/nutch crawl开始抓取页面

sudo bin/nutch crawl urls -dir crawl -depth 5 -topN 50&

这个过程需要等待一些时间

三：检索
安装tomcat,我们使用apache网站上的包

cd ..
wget http://mirror.vmmatrix.net/apache/tomcat/tomcat-5/v5.5.20/bin/apache-tomcat-5.5.20.tar.gz
tar zxvf apache-tomcat-5.5.20.tar.gz

将nutch自带的war文件拷贝到webapps下面

rm -rf apache-tomcat-5.5.20/webapps/ROOT*
cp nutch-0.8.1/nutch*.war apache-tomcat-5.5.20/webapps/ROOT.war

运行tomcat,如果不设定nutch-site.xml的searcher.dir的值，则需要在crawl目录下面执行

sudo ${TOMCAT的目录}/bin/startup.sh

我们也可以设定nutch-site.xml的searcher.dir的值

sudo vi ${TOMCAT的目录}/webapps/ROOT/WEB-INF/classes/nutch-site.xml

增加

  <property>
    <name>searcher.dir</name>
    <value>/home/martin/doc/nutch-0.8.1/crawl</value>
  </property>

四:中文乱码
修改tomcat的server.xml，在Connector的tag最后增加

URIEncoding="UTF-8"

五：截图


-----------------------
nutch site:http://lucene.apache.org/nutch
nutch wiki:http://wiki.apache.org/nutch/


下一篇笔记：Nutch 笔记（二）：Craw more urls and Recrawl:http://martin.iteye.com/blog/27193