Nutch 笔记(一):Quick Start TomcatluceneApache.netJDK
程序员文章站
2024-03-18 20:20:46
...
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
或者从sun公司网站下载bin文件执行安装
设置了JAVA_HOME
在最后面增加
二:下载nutch的最新版本nutch0.8.1
释放下来即可
三:抓取页面
增加url
编辑conf/crawl-urlfilter.txt,修改MY.DOMAIN.NAME为
修改conf/nutch-site.xml,增加http.agent.name值
执行bin/nutch crawl开始抓取页面
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
将nutch自带的war文件拷贝到webapps下面
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
我们也可以设定nutch-site.xml的searcher.dir的值
增加
四:中文乱码
修改tomcat的server.xml,在Connector的tag最后增加
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
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