`

Nutch相关框架安装使用最佳指南

 
阅读更多

 

转:http://user.qzone.qq.com/281032878/blog/1342675154#!app=2&via=QZ.HashRefresh&pos=1362131478
Chinese installing and using instruction  -  The best guidance in installing and using  Nutch in China
土豆在线观看地址：  http://www.tudou.com/home/item_u106249539s0p1.html
超清原版下载地址：  http://pan.baidu.com/share/home?uk=3157595467
超清压缩下载地址：  http://pan.baidu.com/share/home?uk=1913680455%20


一、nutch1.2
二、nutch1.5.1
三、nutch2.0
四、配置SSH
五、安装Hadoop Cluster（伪分布式运行模式）并运行Nutch
六、安装Hadoop Cluster（分布式运行模式）并运行Nutch
七、配置Ganglia监控Hadoop集群和HBase集群
八、Hadoop配置Snappy压缩
九、Hadoop配置Lzo压缩
十、配置zookeeper集群以运行hbase
十一、配置Hbase集群以运行nutch-2.1(Region Servers会因为内存的问题宕机)
十二、配置Accumulo集群以运行nutch-2.1(gora存在BUG)
十三、配置Cassandra 集群以运行nutch-2.1（Cassandra 采用去中心化结构）
十四、配置MySQL 单机服务器以运行nutch-2.1
十五、nutch2.1 使用DataFileAvroStore作为数据源
十六、nutch2.1 使用AvroStore作为数据源
十七、配置SOLR
十八、Nagios监控
十九、配置Splunk
二十、配置Pig
二十一、配置Hive
二十二、配置Hadoop2.x集群



一、nutch1.2
 步 骤和二大同小异，在步骤 5、配置构建路径 中需要多两个操作：在左部Package Explorer的 nutch1.2文件夹上单击右键 > Build Path > Configure Build Path...   >  选中Source选项 > Default output folder:修改nutch1.2/bin为nutch1.2/_bin，在左部Package Explorer的 nutch1.2文件夹下的bin文件夹上单击右键 > Team > 还原
 二中黄色背景部分是版本号的差异，红色部分是1.2版本没有的，绿色部分是不一样的地方，如下：
 1、Add JARs... >  nutch1.2 > lib ，选中所有的.jar文件 > OK
 2、crawl-urlfilter.txt
 3、将crawl -urlfilter.txt.template改名为crawl -urlfilter.txt
 4、修改crawl-urlfilter.txt，将
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/
 
# skip everything else
-.
 5、cd /home/ysc/workspace/nutch1.2
 nutch1.2是一个完整的搜索引擎，nutch1.5.1只是一个爬虫。nutch1.2可以把索引提交给SOLR，也可以直接生成LUCENE索引，nutch1.5.1则只能把索引提交给SOLR：
 1、cd /home/ysc
 2、wget http://mirrors.tuna.tsinghua.edu.cn/apache/tomcat/tomcat-7/v7.0.29/bin/apache-tomcat-7.0.29.tar.gz
 3、tar -xvf apache-tomcat-7.0.29.tar.gz
 4、在左部Package Explorer的 nutch1.2文件夹下的build.xml文件上单击右键 > Run As > Ant Build... > 选中war target > Run
 5、cd /home/ysc/workspace/nutch1.2/build
 6、unzip nutch-1.2.war -d nutch-1.2
 7、cp -r nutch-1.2 /home/ysc/apache-tomcat-7.0.29/webapps
 8、vi /home/ysc/apache-tomcat-7.0.29/webapps/nutch-1.2/WEB-INF/classes/nutch-site.xml
 加入以下配置：
 <property>
  <name>searcher.dir</name>
  <value>/home/ysc/workspace/nutch1.2/data</value>
  <description>
  Path to root of crawl.  This directory is searched (in
  order) for either the file search-servers.txt, containing a list of
  distributed search servers, or the directory "index" containing
  merged indexes, or the directory "segments" containing segment
  indexes.
  </description>
</property>
9、vi /home/ysc/apache-tomcat-7.0.29/conf/server.xml
将
<Connector port="8080" protocol="HTTP/1.1"
               connectionTimeout="20000"
               redirectPort="8443"/>
改为
<Connector port="8080" protocol="HTTP/1.1"
               connectionTimeout="20000"
               redirectPort="8443" URIEncoding="utf-8"/>
10、cd /home/ysc/apache-tomcat-7.0.29/bin
11、./startup.sh
12、访问：http://localhost:8080/nutch-1.2/
关于nutch1.2更多的BUG修复及资料，请参看我在CSDN发布的资源：http://download.csdn.net/user/yangshangchuan
二、nutch1.5.1
1、下载并解压eclipse（集成开发环境）
 下载地址：http://www.eclipse.org/downloads/，下载Eclipse IDE for Java EE Developers
2、安装Subclipse插件（SVN客户端）
 插件地址：http://subclipse.tigris.org/update_1.8.x，
3、安装IvyDE插件（下载依赖Jar）
 插件地址：http://www.apache.org/dist/ant/ivyde/updatesite/
4、签出代码
 File > New > Project > SVN > 从SVN 检出项目
 创建新的资源库位置 > URL：https://svn.apache.org/repos/asf/nutch/tags/release-1.5.1/ > 选中URL > Finish
 弹出New Project向导，选择Java Project > Next，输入Project name：nutch1.5.1 > Finish
5、配置构建路径
 在左部Package Explorer的 nutch1.5.1文件夹上单击右键 > Build Path > Configure Build Path...  
> 选中Source选项 > 选择src > Remove > Add Folder... > 选择src/bin, src/java, src/test 和 src/testresources（对于插件，需要选中src/plugin目录下的每一个插件目录下的src/java ， src/test文件夹） > OK
 切换到Libraries选项 >
 Add Class Folder... > 选中nutch1.5.1/conf > OK
 Add JARs... >  需要选中src/plugin目录下的每一个插件目录下的lib目录下的jar文件 > OK
 Add Library... > IvyDE Managed Dependencies > Next > Main > Ivy File > Browse > ivy/ivy.xml > Finish
 切换到Order and Export选项>
 选中conf > Top
6、执行ANT
 在左部Package Explorer的 nutch1.5.1文件夹下的build.xml文件上单击右键 > Run As > Ant Build
 在左部Package Explorer的 nutch1.5.1文件夹上单击右键 > Refresh
 在 左部Package Explorer的 nutch1.5.1文件夹上单击右键 > Build Path > Configure Build Path...   >  选中Libraries选项 > Add Class Folder... >  选中build > OK
7、修改配置文件nutch-site.xml 和regex-urlfilter.txt
 将nutch-site.xml.template改名为nutch-site.xml
 将regex-urlfilter.txt.template改名为regex-urlfilter.txt
 在左部Package Explorer的 nutch1.5.1文件夹上单击右键 > Refresh
 将如下配置项加入文件nutch-site.xml：
<property>
  <name>http.agent.name</name>
  <value>nutch</value>
</property>
<property>
  <name>http.content.limit</name>
  <value>-1</value>
</property>
 修改regex-urlfilter.txt，将
# accept anything else
+.
 替换为：
+^http://([a-z0-9]*\.)*news.163.com/
-.
8、开发调试
 在左部Package Explorer的 nutch1.5.1文件夹上单击右键 > New > Folder > Folder name: urls
 在刚新建的urls目录下新建一个文本文件url，文本内容为：http://news.163.com
 打 开src/java下的org.apache.nutch.crawl.Crawl.java类，单击右键Run As > Run Configurations > Arguments > 在Program arguments输入框中输入: urls -dir data -depth 3 > Run
 在需要调试的地方打上断点Debug As > Java Applicaton
9、查看结果
 查看segments目录：
 打开src/java下的org.apache.nutch.segment.SegmentReader.java类
 单击右键Run As > Java Applicaton，控制台会输出该命令的使用方法
 单击右键Run As > Run Configurations > Arguments > 在Program arguments输入框中输入: -dump data/segments/*  data/segments/dump
 用文本编辑器打开文件data/segments/dump/dump查看segments中存储的信息
 查看crawldb目录：
 打开src/java下的org.apache.nutch.crawl.CrawlDbReader.java类
 单击右键Run As > Java Applicaton，控制台会输出该命令的使用方法
 单击右键Run As > Run Configurations > Arguments > 在Program arguments输入框中输入: data/crawldb -stats
 控制台会输出 crawldb统计信息
 查看linkdb目录：
 打开src/java下的org.apache.nutch.crawl.LinkDbReader.java类
 单击右键Run As > Java Applicaton，控制台会输出该命令的使用方法
 单击右键Run As > Run Configurations > Arguments > 在Program arguments输入框中输入: data/linkdb -dump data/linkdb_dump
 用文本编辑器打开文件data/linkdb_dump/part-00000查看linkdb中存储的信息
10、全网分步骤抓取
 在左部Package Explorer的 nutch1.5.1文件夹下的build.xml文件上单击右键 > Run As > Ant Build
 cd  /home/ysc/workspace/nutch1.5.1/runtime/local
 #准备URL列表
 wget http://rdf.dmoz.org/rdf/content.rdf.u8.gz
 gunzip content.rdf.u8.gz
 mkdir dmoz
 bin/nutch org.apache.nutch.tools.DmozParser content.rdf.u8 -subset 5000 > dmoz/url
 #注入URL
 bin/nutch inject crawl/crawldb dmoz
 #生成抓取列表
 bin/nutch generate crawl/crawldb crawl/segments
 #第一次抓取
 s1=`ls -d crawl/segments/2* | tail -1`
 echo $s1
 #抓取网页
 bin/nutch fetch $s1
 #解析网页
 bin/nutch parse $s1
 #更新URL状态
 bin/nutch updatedb crawl/crawldb $s1
 #第二次抓取
 bin/nutch generate crawl/crawldb crawl/segments -topN 1000
 s2=`ls -d crawl/segments/2* | tail -1`
 echo $s2
 bin/nutch fetch $s2
 bin/nutch parse $s2
 bin/nutch updatedb crawl/crawldb $s2
 #第三次抓取
 bin/nutch generate crawl/crawldb crawl/segments -topN 1000
 s3=`ls -d crawl/segments/2* | tail -1`
 echo $s3
 bin/nutch fetch $s3
 bin/nutch parse $s3
 bin/nutch updatedb crawl/crawldb $s3
 #生成反向链接库
 bin/nutch invertlinks crawl/linkdb -dir crawl/segments
11、索引和搜索
 cd  /home/ysc/ 
 wget http://mirror.bjtu.edu.cn/apache/lucene/solr/3.6.1/apache-solr-3.6.1.tgz
 tar -xvf apache-solr-3.6.1.tgz
 cd apache-solr-3.6.1 /example
 
 NUTCH_RUNTIME_HOME=/home/ysc/workspace/nutch1.5.1/runtime/local
 APACHE_SOLR_HOME=/home/ysc/apache-solr-3.6.1
 cp ${NUTCH_RUNTIME_HOME}/conf/schema.xml ${APACHE_SOLR_HOME}/example/solr/conf/
 如果需要把网页内容存储到索引中，则修改 schema.xml文件中的
 <field name="content" type="text" stored="false" indexed="true"/>
 为
 <field name="content" type="text" stored="true" indexed="true"/>
 修 改${APACHE_SOLR_HOME}/example/solr/conf/solrconfig.xml,将里面的<str name="df">text</str>都替换为<str name="df">content</str>
 把${APACHE_SOLR_HOME}/example /solr/conf/schema.xml中的 <schema name="nutch" version="1.5.1">修改为<schema name="nutch" version="1.5">
 #启动SOLR服务器
 java -jar start.jar
 cd  /home/ysc/workspace/nutch1.5.1/runtime/local
 #提交索引
 bin/nutch solrindex http://127.0.0.1:8983/solr/ crawl/crawldb -linkdb crawl/linkdb crawl/segments/*
 执行完整crawl:
 bin/nutch crawl urls -dir data -depth 2 -topN 100 -solr http://127.0.0.1:8983/solr/
 使用以下命令分页查看所有索引的文档：
 http://127.0.0.1:8983/solr/select/?q=*%3A*&version=2.2&start=0&rows=10&indent=on
 标题包含“网易”的文档：
 http://127.0.0.1:8983/solr/select/?q=title%3A%E7%BD%91%E6%98%93&version=2.2&start=0&rows=10&indent=on
12、查看索引信息
 cd  /home/ysc/
 wget http://luke.googlecode.com/files/lukeall-3.5.0.jar
 java -jar lukeall-3.5.0.jar
 Path: /home/ysc/apache-solr-3.6.1/example/solr/data
13、配置SOLR的中文分词
 cd  /home/ysc/
 wget http://mmseg4j.googlecode.com/files/mmseg4j-1.8.5.zip
 unzip mmseg4j-1.8.5.zip -d  mmseg4j-1.8.5
 
 APACHE_SOLR_HOME=/home/ysc/apache-solr-3.6.1
 mkdir $APACHE_SOLR_HOME/example/solr/lib
 mkdir $APACHE_SOLR_HOME/example/solr/dic
 cp mmseg4j-1.8.5/mmseg4j-all-1.8.5.jar $APACHE_SOLR_HOME/example/solr/lib
 cp mmseg4j-1.8.5/data/*.dic $APACHE_SOLR_HOME/example/solr/dic
 
 将${APACHE_SOLR_HOME}/example/solr/conf/schema.xml文件中的
 <tokenizer class="solr.WhitespaceTokenizerFactory"/>
 和
 <tokenizer class="solr.StandardTokenizerFactory"/>
 替换为
 <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/home/ysc/apache-solr-3.6.1/example/solr/dic"/>
 
 #重新启动SOLR服务器
 java -jar start.jar
 #重建索引，演示在开发环境中如何操作
 打开src/java下的org.apache.nutch.indexer.solr.SolrIndexer.java类
 单击右键Run As > Java Applicaton，控制台会输出该命令的使用方法
 单击右键Run As > Run Configurations > Arguments > 在Program arguments输入框中输入: http://127.0.0.1:8983/solr/ ; data/crawldb -linkdb  data/linkdb  data/segments/*
 使用luke重新打开索引就会发现分词起作用了
三、nutch2.0
 nutch2.0和二中的nutch1.5.1的步骤相同，但在8、开发调试之前需要做以下配置：
 在左部Package Explorer的 nutch2.0文件夹上单击右键 > New > Folder > Folder name: data并指定数据存储方式，选如下之一：
 1、使用mysql作为数据存储
  1）、在nutch2.0/conf/nutch-site.xml中加入如下配置：
 <property>
  <name>storage.data.store.class</name>
  <value>org.apache.gora.sql.store.SqlStore</value>
</property>
  2）、将nutch2.0/conf/gora.properties文件中的  
  gora.sqlstore.jdbc.driver=org.hsqldb.jdbc.JDBCDriver
gora.sqlstore.jdbc.url=jdbc:hsqldb:hsql://localhost/nutchtest
gora.sqlstore.jdbc.user=sa
gora.sqlstore.jdbc.password=
  修改为
  gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
gora.sqlstore.jdbc.url=jdbc:mysql://127.0.0.1:3306/nutch2
gora.sqlstore.jdbc.user=root
gora.sqlstore.jdbc.password=ROOT
  3）、打开nutch2.0/ivy/ivy.xml中的mysql-connector-java依赖
  4）、sudo apt-get install mysql-server
 2、使用hbase作为数据存储
  1）、在nutch2.0/conf/nutch-site.xml中加入如下配置：
 <property>
  <name>storage.data.store.class</name>
  <value>org.apache.gora.hbase.store.HBaseStore</value>
</property>
  2）、打开nutch2.0/ivy/ivy.xml中的gora-hbase依赖
  3）、cd /home/ysc
  4）、wget http://mirror.bit.edu.cn/apache/hbase/hbase-0.90.5/hbase-0.90.5.tar.gz
  5）、tar -xvf hbase-0.90.5.tar.gz
  6）、vi  hbase-0.90.5/conf/hbase-site.xml
   加入以下配置：
  <property>
    <name>hbase.rootdir</name>
    <value>file:///home/ysc/hbase-0.90.5-database</value>
  </property>
7)、hbase-0.90.5/bin/start-hbase.sh
8)、将/home/ysc/hbase-0.90.5/hbase-0.90.5.jar加入开发环境eclipse的build path
四、配置SSH
 三台机器 devcluster01， devcluster02， devcluster03，分别在每一台机器上面执行如下操作：
 1、sudo vi /etc/hosts
 加入以下配置：
 192.168.1.1 devcluster01
 192.168.1.2 devcluster02
 192.168.1.3 devcluster03
 2、安装SSH服务：
  sudo apt-get install openssh-server
 3、(有提示的时候回车键确认）
  ssh-keygen -t rsa
  该命令会在用户主目录下创建 .ssh 目录，并在其中创建两个文件：id_rsa 私钥文件。是基于 RSA 算法创建。该私钥文件要妥善保管，不要泄漏。id_rsa.pub 公钥文件。和 id_rsa 文件是一对儿，该文件作为公钥文件，可以公开。
 4、cp .ssh/id_rsa.pub .ssh/authorized_keys
 把 三台机器 devcluster01， devcluster02， devcluster03 的文件/home/ysc/.ssh/authorized_keys的内容复制出来合并成一个文件并替换每一台机器上的/home/ysc/.ssh /authorized_keys文件
 在devcluster01上面执行时，以下两条命令的主机为02和03
 在devcluster02上面执行时，以下两条命令的主机为01和03
 在devcluster03上面执行时，以下两条命令的主机为01和02
 5、ssh-copy-id -i .ssh/id_rsa.pub ysc@ devcluster02
 6、ssh-copy-id -i .ssh/id_rsa.pub ysc@ devcluster03
 以上两条命令实际上是将 .ssh/id_rsa.pub 公钥文件追加到远程主机 server 的 user 主目录下的 .ssh/authorized_keys 文件中。
五、安装Hadoop Cluster（伪分布式运行模式）并运行Nutch
 步骤和四大同小异，只需要1台机器 devcluster01，所以黄色背景部分全部设置为devcluster01，不需要第11步
六、安装Hadoop Cluster（分布式运行模式）并运行Nutch
 三台机器 devcluster01， devcluster02， devcluster03(vi /etc/hostname)
 使用用户ysc登陆 devcluster01：
 1、cd /home/ysc
 2、wget http://mirrors.tuna.tsinghua.edu.cn/apache/hadoop/common/hadoop-1.1.1/hadoop-1.1.1-bin.tar.gz
 3、tar -xvf hadoop-1.1.1-bin.tar.gz
 4、cd  hadoop-1.1.1
 5、vi conf/masters
  替换内容为 ：
  devcluster01
 6、vi conf/slaves
  替换内容为 ：
  devcluster02
  devcluster03
 7、vi conf/core-site.xml
  加入配置：
  <property>
    <name>fs.default.name</name>
    <value>hdfs://devcluster01:9000</value>
    <description>
       Where to find the Hadoop Filesystem through the network.
       Note 9000 is not the default port.
       (This is slightly changed from previous versions which didnt have "hdfs")
    </description>
  </property>
    <property>
     <name>hadoop.security.authorization</name>
      <value>true</value>
    </property>
编辑conf/hadoop-policy.xml
 8、vi conf/hdfs-site.xml
  加入配置：
<property>
  <name>dfs.name.dir</name>
  <value>/home/ysc/dfs/filesystem/name</value>
</property>
<property>
  <name>dfs.data.dir</name>
  <value>/home/ysc/dfs/filesystem/data</value>
</property>
<property>
  <name>dfs.replication</name>
  <value>1</value>
</property> 
<property>
  <name>dfs.block.size</name>
  <value>671088640</value>
  <description>The default block size for new files.</description>
</property>
 9、vi conf/mapred-site.xml
  加入配置：
<property>
  <name>mapred.job.tracker</name>
  <value>devcluster01:9001</value>
  <description>
    The host and port that the MapReduce job tracker runs at. If
    "local", then jobs are run in-process as a single map and
    reduce task.
    Note 9001 is not the default port.
  </description>
</property>
<property>
  <name>mapred.reduce.tasks.speculative.execution</name>
  <value>false</value>
  <description>If true, then multiple instances of some reduce tasks
               may be executed in parallel.</description>
</property>
<property>
  <name>mapred.map.tasks.speculative.execution</name>
  <value>false</value>
  <description>If true, then multiple instances of some map tasks
               may be executed in parallel.</description>
</property>
<property>
  <name>mapred.child.java.opts</name>
  <value>-Xmx2000m</value>
</property>
<property>
  <name>mapred.tasktracker.map.tasks.maximum</name>
  <value>4</value>
  <description>
    the core number of host
  </description>
</property>
<property>
  <name>mapred.map.tasks</name>
  <value>4</value>
</property>
<property>
  <name>mapred.tasktracker.reduce.tasks.maximum</name>
  <value>4</value>
    <description>
    define mapred.map tasks to be number of slave hosts.the best number is the  number of slave hosts plus the core numbers of per host
    </description>
</property>
<property>
  <name>mapred.reduce.tasks</name>
  <value>4</value>
  <description>
    define mapred.reduce tasks to be number of slave hosts.the best number is the  number of slave hosts plus the core numbers of per host
  </description>
</property>
<property>
  <name>mapred.output.compression.type</name>
  <value>BLOCK</value>
  <description>If the job outputs are to compressed as SequenceFiles, how should they be compressed? Should be one of NONE, RECORD or BLOCK.
  </description>
</property>
<property>
  <name>mapred.output.compress</name>
  <value>true</value>
  <description>Should the job outputs be compressed?
  </description>
</property>
<property>
  <name>mapred.compress.map.output</name>
  <value>true</value>
  <description>Should the outputs of the maps be compressed before being                sent across the network. Uses SequenceFile compression.
  </description>
</property>
<property>
  <name>mapred.system.dir</name>
  <value>/home/ysc/mapreduce/system</value>
</property>
<property>
  <name>mapred.local.dir</name>
  <value>/home/ysc/mapreduce/local</value>
</property>
 10、vi conf/hadoop-env.sh
  追加：
export JAVA_HOME=/home/ysc/jdk1.7.0_05
  export HADOOP_HEAPSIZE=2000
  #替换掉默认的垃圾回收器，因为默认的垃圾回收器在多线程环境下会有更多的wait等待
  export HADOOP_OPTS="-server -Xmn256m -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=70"
 11、复制HADOOP文件
  scp -r /home/ysc/hadoop-1.1.1 ysc@devcluster02:/home/ysc/hadoop-1.1.1
  scp -r /home/ysc/hadoop-1.1.1 ysc@devcluster03:/home/ysc/hadoop-1.1.1
 12、sudo vi /etc/profile
  追加并重启系统：
  export PATH=/home/ysc/hadoop-1.1.1/bin:$PATH
 13、格式化名称节点并启动集群
  hadoop namenode -format
  start-all.sh
 14、cd /home/ysc/workspace/nutch1.5.1/runtime/deploy
  mkdir urls
  echo http://news.163.com > urls/url
  hadoop dfs -put urls urls
  bin/nutch crawl urls -dir data -depth 2 -topN 100
 15、访问 http://localhost:50030 可以查看 JobTracker 的运行状态。访问 http://localhost:50060 可以查看 TaskTracker 的运行状态。访问 http://localhost:50070 可以查看 NameNode 以及整个分布式文件系统的状态，浏览分布式文件系统中的文件以及 log 等
 16、通过stop-all.sh停止集群
 17、如果NameNode和SecondaryNameNode不在同一台机器上，则在SecondaryNameNode的conf/hdfs-site.xml文件中加入配置：
   <property>
     <name>dfs.http.address</name>
     <value>namenode:50070</value>
   </property>
七、配置Ganglia监控Hadoop集群和HBase集群
 1、服务器端（安装到master devcluster01上）
  1）、ssh devcluster01
  2）、addgroup ganglia
           adduser --ingroup ganglia ganglia
  3）、sudo apt-get install  ganglia-monitor ganglia-webfront gmetad
   //补充：在Ubuntu10.04上，ganglia-webfront这个package名字叫ganglia-webfrontend
   //如果install出错，则运行sudo apt-get update，如果update出错，则删除出错路径
  4）、vi /etc/ganglia/gmond.conf
   先找到setuid = yes,改成setuid =no;
   在找到cluster块中的name，改成name =”hadoop-cluster”;
  5）、sudo apt-get install rrdtool
  6)、vi /etc/ganglia/gmetad.conf
   在这个配置文件中增加一些datasource，即其他2个被监控的节点，增加以下内容：
   data_source “hadoop-cluster” devcluster01:8649 devcluster02:8649 devcluster03:8649
   gridname "Hadoop"
 2、数据源端（安装到所有slaves上）
  1)、ssh devcluster02
   addgroup ganglia
   adduser --ingroup ganglia ganglia 
   sudo apt-get install  ganglia-monitor

  2)、ssh devcluster03
   addgroup ganglia
   adduser --ingroup ganglia ganglia 
   sudo apt-get install  ganglia-monitor

  3）、ssh devcluster01
   scp /etc/ganglia/gmond.conf devcluster02:/etc/ganglia/gmond.conf
   scp /etc/ganglia/gmond.conf devcluster03:/etc/ganglia/gmond.conf
 3、配置WEB
  1）、ssh devcluster01
  2）、sudo ln -s /usr/share/ganglia-webfrontend /var/www/ganglia
  3）、vi /etc/apache2/apache2.conf
   添加：
   ServerName devcluster01
 4、重启服务
  1）、ssh devcluster02
   sudo /etc/init.d/ganglia-monitor restart
   ssh devcluster03
   sudo /etc/init.d/ganglia-monitor restart
  2）、ssh devcluster01
   sudo /etc/init.d/ganglia-monitor restart
   sudo /etc/init.d/gmetad restart
   sudo /etc/init.d/apache2 restart
 5、访问页面
  http:// devcluster01/ganglia
 6、集成hadoop
  1）、ssh devcluster01
  2）、cd /home/ysc/hadoop-1.1.1
  3）、vi conf/hadoop-metrics2.properties
  # 大于0.20以后的版本用ganglia31  *.sink.ganglia.class=org.apache.hadoop.metrics2.sink.ganglia.GangliaSink31
  *.sink.ganglia.period=10
  # default for supportsparse is false
  *.sink.ganglia.supportsparse=true
 *.sink.ganglia.slope=jvm.metrics.gcCount=zero,jvm.metrics.memHeapUsedM=both
 *.sink.ganglia.dmax=jvm.metrics.threadsBlocked=70,jvm.metrics.memHeapUsedM=40
  #广播IP地址，这是缺省的，统一设该值(只能用组播地址239.2.11.71)
  namenode.sink.ganglia.servers=239.2.11.71:8649
  datanode.sink.ganglia.servers=239.2.11.71:8649
  jobtracker.sink.ganglia.servers=239.2.11.71:8649
  tasktracker.sink.ganglia.servers=239.2.11.71:8649
  maptask.sink.ganglia.servers=239.2.11.71:8649
  reducetask.sink.ganglia.servers=239.2.11.71:8649
  dfs.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
  dfs.period=10
  dfs.servers=239.2.11.71:8649
  mapred.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
  mapred.period=10
  mapred.servers=239.2.11.71:8649
  jvm.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
  jvm.period=10
  jvm.servers=239.2.11.71:8649
  4）、scp conf/hadoop-metrics2.properties root@devcluster02:/home/ysc/hadoop-1.1.1/conf/hadoop-metrics2.properties
  5）、scp conf/hadoop-metrics2.properties root@devcluster03:/home/ysc/hadoop-1.1.1/conf/hadoop-metrics2.properties
  6）、stop-all.sh
  7）、start-all.sh
 7、集成hbase
  1）、ssh devcluster01
  2）、cd /home/ysc/hbase-0.92.2
  3）、vi conf/hadoop-metrics.properties(只能用组播地址239.2.11.71)
   hbase.extendedperiod = 3600
   hbase.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
   hbase.period=10
   hbase.servers=239.2.11.71:8649
   jvm.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
   jvm.period=10
   jvm.servers=239.2.11.71:8649
   rpc.class=org.apache.hadoop.metrics.ganglia.GangliaContext31
   rpc.period=10
   rpc.servers=239.2.11.71:8649
  4）、scp conf/hadoop-metrics.properties root@devcluster02:/home/ysc/ hbase-0.92.2/conf/hadoop-metrics.properties
  5）、scp conf/hadoop-metrics.properties root@devcluster03:/home/ysc/ hbase-0.92.2/conf/hadoop-metrics.properties
  6）、stop-hbase.sh
  7）、start-hbase.sh
八、Hadoop配置Snappy压缩
 1、wget http://snappy.googlecode.com/files/snappy-1.0.5.tar.gz
 2、tar -xzvf snappy-1.0.5.tar.gz
 3、cd snappy-1.0.5
 4、./configure
 5、make
 6、make install
 7、scp /usr/local/lib/libsnappy* devcluster01:/home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64/
 scp /usr/local/lib/libsnappy* devcluster02:/home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64/
 scp /usr/local/lib/libsnappy* devcluster03:/home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64/
 8、vi /etc/profile
  追加：
  export LD_LIBRARY_PATH=/home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64
 9、修改mapred-site.xml
  <property>
    <name>mapred.output.compression.type</name>
    <value>BLOCK</value>
    <description>If the job outputs are to compressed as SequenceFiles, how should
        they be compressed? Should be one of NONE, RECORD or BLOCK.
    </description>
  </property>
  <property>
    <name>mapred.output.compress</name>
    <value>true</value>
    <description>Should the job outputs be compressed?
    </description>
  </property>
  <property>
    <name>mapred.compress.map.output</name>
    <value>true</value>
    <description>Should the outputs of the maps be compressed before being
        sent across the network. Uses SequenceFile compression.
    </description>
  </property>
  <property>
    <name>mapred.map.output.compression.codec</name>
    <value>org.apache.hadoop.io.compress.SnappyCodec</value>
    <description>If the map outputs are compressed, how should they be
        compressed?
    </description>
  </property>
  <property>
    <name>mapred.output.compression.codec</name>
    <value>org.apache.hadoop.io.compress.SnappyCodec</value>
    <description>If the job outputs are compressed, how should they be compressed?
    </description>
  </property>
九、Hadoop配置Lzo压缩 
 1、wget http://www.oberhumer.com/opensource/lzo/download/lzo-2.06.tar.gz
 2、tar -zxvf lzo-2.06.tar.gz
 3、cd lzo-2.06
 4、./configure --enable-shared
 5、make
 6、make install
 7、scp /usr/local/lib/liblzo2.* devcluster01:/lib/x86_64-linux-gnu
 scp /usr/local/lib/liblzo2.* devcluster02:/lib/x86_64-linux-gnu
 scp /usr/local/lib/liblzo2.* devcluster03:/lib/x86_64-linux-gnu
 8、wget http://hadoop-gpl-compression.apache-extras.org.codespot.com/files/hadoop-gpl-compression-0.1.0-rc0.tar.gz
 9、tar -xzvf hadoop-gpl-compression-0.1.0-rc0.tar.gz
 10、cd hadoop-gpl-compression-0.1.0
 11、cp lib/native/Linux-amd64-64/* /home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64/
 12、cp hadoop-gpl-compression-0.1.0.jar /home/ysc/hadoop-1.1.1/lib/(这里hadoop集群的版本要和compression使用的版本一致)
 13、scp -r /home/ysc/hadoop-1.1.1/lib devcluster02:/home/ysc/hadoop-1.1.1/
 scp -r /home/ysc/hadoop-1.1.1/lib devcluster03:/home/ysc/hadoop-1.1.1/
 14、vi /etc/profile
  追加：
  export LD_LIBRARY_PATH=/home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64
 15、修改core-site.xml
  <property>
    <name>io.compression.codecs</name>
    <value>com.hadoop.compression.lzo.LzoCodec,org.apache.hadoop.io.compress.DefaultCodec,org.apache.hadoop.io.compress.GzipCodec,org.apache.hadoop.io.compress.BZip2Codec,org.apache.hadoop.io.compress.SnappyCodec</value>
    <description>A list of the compression codec classes that can be used
        for compression/decompression.</description>
  </property>
  <property>
    <name>io.compression.codec.lzo.class</name>
    <value>com.hadoop.compression.lzo.LzoCodec</value>
  </property>
  <property>
    <name>fs.trash.interval</name>
    <value>1440</value>
    <description>Number of minutes between trash checkpoints.
    If zero, the trash feature is disabled.
    </description>
  </property>
 16、修改mapred-site.xml
  <property>
    <name>mapred.output.compression.type</name>
    <value>BLOCK</value>
    <description>If the job outputs are to compressed as SequenceFiles, how should
        they be compressed? Should be one of NONE, RECORD or BLOCK.
    </description>
  </property>
  <property>
    <name>mapred.output.compress</name>
    <value>true</value>
    <description>Should the job outputs be compressed?
    </description>
  </property>
  <property>
    <name>mapred.compress.map.output</name>
    <value>true</value>
    <description>Should the outputs of the maps be compressed before being
        sent across the network. Uses SequenceFile compression.
    </description>
  </property>
  <property>
    <name>mapred.map.output.compression.codec</name>
    <value>com.hadoop.compression.lzo.LzoCodec</value>
    <description>If the map outputs are compressed, how should they be
        compressed?
    </description>
  </property>
  <property>
    <name>mapred.output.compression.codec</name>
    <value>com.hadoop.compression.lzo.LzoCodec</value>
    <description>If the job outputs are compressed, how should they be compressed?
    </description>
  </property>
十、配置zookeeper集群以运行hbase
 1、ssh devcluster01
 2、cd /home/ysc
 3、wget http://mirror.bjtu.edu.cn/apache/zookeeper/stable/zookeeper-3.4.5.tar.gz
 4、tar -zxvf  zookeeper-3.4.5.tar.gz
 5、cd zookeeper-3.4.5
 6、cp conf/zoo_sample.cfg  conf/zoo.cfg
 7、vi conf/zoo.cfg
  修改：dataDir=/home/ysc/zookeeper
  添加：
   server.1=devcluster01:2888:3888
   server.2=devcluster02:2888:3888
   server.3=devcluster03:2888:3888
   maxClientCnxns=100
 8、scp -r  zookeeper-3.4.5  devcluster01:/home/ysc
 scp -r  zookeeper-3.4.5  devcluster02:/home/ysc
 scp -r  zookeeper-3.4.5  devcluster03:/home/ysc
 9、分别在三台机器上面执行：
  ssh devcluster01
  mkdir /home/ysc/zookeeper（注：dataDir是zookeeper的数据目录，需要手动创建）
  echo 1 > /home/ysc/zookeeper/myid
  ssh devcluster02
  mkdir /home/ysc/zookeeper
  echo 2 > /home/ysc/zookeeper/myid
  ssh devcluster03
  mkdir /home/ysc/zookeeper
  echo 3 > /home/ysc/zookeeper/myid
 10、分别在三台机器上面执行：
  cd /home/ysc/zookeeper-3.4.5
  bin/zkServer.sh start
  bin/zkCli.sh -server devcluster01:2181
  bin/zkServer.sh status
十一、配置Hbase集群以运行nutch-2.1(Region Servers会因为内存的问题宕机)
1、 nutch-2.1使用gora-0.2.1， gora-0.2.1使用hbase-0.90.4，hbase-0.90.4和hadoop-1.1.1不兼容，hbase-0.94.4和gora- 0.2.1不兼容，hbase-0.92.2没问题。hbase存在系统时间同步的问题，并且误差要再30s以内。
 sudo apt-get install ntp
 sudo ntpdate -u 210.72.145.44
2、HBase是数据库，会在同一时间使用很多的文件句柄。大多数linux系统使用的默认值1024是不能满足的。还需要修改 hbase 用户的 nproc，在压力下，如果过低会造成 OutOfMemoryError异常。
 vi /etc/security/limits.conf
 添加：
   ysc soft nproc 32000
   ysc hard nproc 32000
   ysc soft nofile 32768
   ysc hard nofile 32768
 vi /etc/pam.d/common-session
 添加：
   session required  pam_limits.so
 3、登陆master，下载并解压hbase
  ssh devcluster01
  cd /home/ysc
  wget http://apache.etoak.com/hbase/hbase-0.92.2/hbase-0.92.2.tar.gz
  tar -zxvf hbase-0.92.2.tar.gz
  cd hbase-0.92.2
 4、修改配置文件hbase-env.sh
  vi conf/hbase-env.sh
  追加：
  export JAVA_HOME=/home/ysc/jdk1.7.0_05
  export HBASE_MANAGES_ZK=false
  export HBASE_HEAPSIZE=10000
  #替换掉默认的垃圾回收器，因为默认的垃圾回收器在多线程环境下会有更多的wait等待
  export HBASE_OPTS="-server -Xmn256m -XX:+UseParNewGC -XX:+UseConcMarkSweepGC -XX:CMSInitiatingOccupancyFraction=70"
 5、修改配置文件hbase-site.xml
  vi conf/hbase-site.xml
  <property> 
   <name>hbase.rootdir</name> 
   <value>hdfs://devcluster01:9000/hbase</value>    
  </property>
  <property> 
   <name>hbase.cluster.distributed</name> 
   <value>true</value> 
  </property> 
  <property>  
   <name>hbase.zookeeper.quorum</name>       
   <value>devcluster01,devcluster02,devcluster03</value>  
  </property>
  <property>
   <name>hfile.block.cache.size</name>
   <value>0.25</value>
   <description>
    Percentage of maximum heap (-Xmx setting) to allocate to block cache
    used by HFile/StoreFile. Default of 0.25 means allocate 25%.
    Set to 0 to disable but it's not recommended.
   </description>
  </property>
  <property>
   <name>hbase.regionserver.global.memstore.upperLimit</name>
   <value>0.4</value>
   <description>Maximum size of all memstores in a region server before new
     updates are blocked and flushes are forced. Defaults to 40% of heap
   </description>
  </property>
    <property>
   <name>hbase.regionserver.global.memstore.lowerLimit</name>
   <value>0.35</value>
   <description>When memstores are being forced to flush to make room in
    memory, keep flushing until we hit this mark. Defaults to 35% of heap.
    This value equal to hbase.regionserver.global.memstore.upperLimit causes
    the minimum possible flushing to occur when updates are blocked due to
    memstore limiting.
   </description>
    </property>
  <property>
   <name>hbase.hregion.majorcompaction</name>
   <value>0</value>
   <description>The time (in miliseconds) between 'major' compactions of all
    HStoreFiles in a region.  Default: 1 day.
    Set to 0 to disable automated major compactions.
   </description>
  </property>
 6、修改配置文件regionservers
  vi conf/regionservers
  devcluster01
  devcluster02
  devcluster03
 7、因为HBase建立在Hadoop之上，Hadoop使用的hadoop*.jar和HBase使用的 必须 一致。所以要将 HBase lib 目录下的hadoop*.jar替换成Hadoop里面的那个，防止版本冲突。
  cp  /home/ysc/hadoop-1.1.1/hadoop-core-1.1.1.jar  /home/ysc/hbase-0.92.2/lib
  rm  /home/ysc/hbase-0.92.2/lib/hadoop-core-1.0.3.jar
 8、复制文件到regionservers
  scp -r /home/ysc/hbase-0.92.2 devcluster01:/home/ysc
  scp -r /home/ysc/hbase-0.92.2 devcluster02:/home/ysc
  scp -r /home/ysc/hbase-0.92.2 devcluster03:/home/ysc
 9、启动hadoop并创建目录
  hadoop fs -mkdir /hbase
 10、管理HBase集群:
  启动初始 HBase 集群：
   bin/start-hbase.sh
  停止HBase 集群：
   bin/stop-hbase.sh
  启动额外备份主服务器，可以启动到 9 个备份服务器 (总数10 个)：
   bin/local-master-backup.sh start 1
   bin/local-master-backup.sh start 2 3
  启动更多 regionservers, 支持到 99 个额外regionservers (总100个)：
   bin/local-regionservers.sh start 1
   bin/local-regionservers.sh start 2 3 4 5
  停止备份主服务器:
   cat /tmp/hbase-ysc-1-master.pid |xargs kill -9
  停止单独 regionserver：
   bin/local-regionservers.sh stop 1
  使用HBase命令行模式:
   bin/hbase shell
 11、web界面
  http://devcluster01:60010
  http://devcluster01:60030
 12、如运行nutch2.1则方法一：
  cp conf/hbase-site.xml /home/ysc/nutch-2.1/conf
  cd /home/ysc/nutch-2.1
  ant
  cd runtime/deploy
  unzip -d apache-nutch-2.1 apache-nutch-2.1.job
  rm  apache-nutch-2.1.job
  cd apache-nutch-2.1
  rm lib/hbase-0.90.4.jar
  cp /home/ysc/hbase-0.92.2/hbase-0.92.2.jar  lib
  zip -r ../apache-nutch-2.1.job ./*
  cd ..
  rm -r apache-nutch-2.1
 13、如运行nutch2.1则方法二：
  cp conf/hbase-site.xml /home/ysc/nutch-2.1/conf
  cd /home/ysc/nutch-2.1
  cp /home/ysc/hbase-0.92.2/hbase-0.92.2.jar  lib
  ant
  cd runtime/deploy
  zip -d apache-nutch-2.1.job lib/hbase-0.90.4.jar
 启用snappy压缩：
 1、vi conf/gora-hbase-mapping.xml
  在family上面添加属性：compression="SNAPPY"
 2、mkdir /home/ysc/hbase-0.92.2/lib/native/Linux-amd64-64
 3、cp /home/ysc/hadoop-1.1.1/lib/native/Linux-amd64-64/* /home/ysc/hbase-0.92.2/lib/native/Linux-amd64-64
 4、vi /home/ysc/hbase-0.92.2/conf/hbase-site.xml
  增加：
                <property>
                        <name>hbase.regionserver.codecs</name>
                        <value>snappy</value>
                </property>
 
十二、配置Accumulo集群以运行nutch-2.1(gora存在BUG)
 1、wget http://apache.etoak.com/accumulo/1.4.2/accumulo-1.4.2-dist.tar.gz
 2、tar -xzvf accumulo-1.4.2-dist.tar.gz
 3、cd accumulo-1.4.2
 4、cp conf/examples/3GB/standalone/* conf
 5、vi conf/accumulo-env.sh
  export HADOOP_HOME=/home/ysc/cluster3
  export ZOOKEEPER_HOME=/home/ysc/zookeeper-3.4.5
  export JAVA_HOME=/home/jdk1.7.0_01
  export ACCUMULO_HOME=/home/ysc/accumulo-1.4.2
 6、vi conf/slaves
  devcluster01
  devcluster02
  devcluster03
 7、vi conf/masters
  devcluster01
 8、vi conf/accumulo-site.xml
  <property>
    <name>instance.zookeeper.host</name>
    <value>host6:2181,host8:2181</value>
    <description>comma separated list of zookeeper servers</description>
  </property>
  <property>
    <name>logger.dir.walog</name>
    <value>walogs</value>
    <description>The directory used to store write-ahead logs on the local filesystem. It is possible to specify a comma-separated list of directories.</description>
  </property>
  <property>
    <name>instance.secret</name>
    <value>ysc</value>
    <description>A secret unique to a given instance that all servers must know in order to communicate with one another.
        Change it before initialization. To change it later use ./bin/accumulo org.apache.accumulo.server.util.ChangeSecret [oldpasswd] [newpasswd],
        and then update this file.
    </description>
  </property>
  <property>
    <name>tserver.memory.maps.max</name>
    <value>3G</value>
  </property>
  <property>
    <name>tserver.cache.data.size</name>
    <value>50M</value>
  </property>
  <property>
    <name>tserver.cache.index.size</name>
    <value>512M</value>
  </property>
  <property>
    <name>trace.password</name>
    <!--
   change this to the root user's password, and/or change the user below
     -->
    <value>ysc</value>
  </property>
  <property>
    <name>trace.user</name>
    <value>root</value>
  </property>
 9、bin/accumulo init
 10、bin/start-all.sh
 11、bin/stop-all.sh
 12、web访问：http://devcluster01:50095/
 修改nutch2.1：
 1、cd  /home/ysc/nutch-2.1
 2、vi  conf/gora.properties
  增加：
  gora.datastore.default=org.apache.gora.accumulo.store.AccumuloStore
  gora.datastore.accumulo.mock=false
  gora.datastore.accumulo.instance=accumulo
  gora.datastore.accumulo.zookeepers=host6,host8
  gora.datastore.accumulo.user=root
  gora.datastore.accumulo.password=ysc
 3、vi  conf/nutch-site.xml
  增加：
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.accumulo.store.AccumuloStore</value>
  </property>
 4、vi ivy/ivy.xml
  增加：
  <dependency org="org.apache.gora" name="gora-accumulo" rev="0.2.1" conf="*->default" />
 5、升级accumulo
  cp /home/ysc/accumulo-1.4.2/lib/accumulo-core-1.4.2.jar  /home/ysc/nutch-2.1/lib
  cp /home/ysc/accumulo-1.4.2/lib/accumulo-start-1.4.2.jar  /home/ysc/nutch-2.1/lib
  cp /home/ysc/accumulo-1.4.2/lib/cloudtrace-1.4.2.jar  /home/ysc/nutch-2.1/lib
 6、ant
 7、cd runtime/deploy
 8、删除旧jar
  zip -d apache-nutch-2.1.job lib/accumulo-core-1.4.0.jar
  zip -d apache-nutch-2.1.job lib/accumulo-start-1.4.0.jar
  zip -d apache-nutch-2.1.job lib/cloudtrace-1.4.2.jar
十三、配置Cassandra 集群以运行nutch-2.1（Cassandra 采用去中心化结构）
 1、vi /etc/hosts（注意：需要登录到每一台机器上面，将localhost解析到实际地址）
  192.168.1.1       localhost
 2、wget http://labs.mop.com/apache-mirror/cassandra/1.2.0/apache-cassandra-1.2.0-bin.tar.gz
 3、tar -xzvf  apache-cassandra-1.2.0-bin.tar.gz
 4、cd apache-cassandra-1.2.0
 5、vi conf/cassandra-env.sh
  增加：
  MAX_HEAP_SIZE="4G"
  HEAP_NEWSIZE="800M"
 6、vi conf/log4j-server.properties
  修改：
  log4j.appender.R.File=/home/ysc/cassandra/system.log
 7、vi conf/cassandra.yaml
  修改：
  cluster_name: 'Cassandra  Cluster'
  data_file_directories:
      - /home/ysc/cassandra/data
  commitlog_directory: /home/ysc/cassandra/commitlog
  saved_caches_directory: /home/ysc/cassandra/saved_caches
  - seeds: "192.168.1.1"
  listen_address: 192.168.1.1
  rpc_address: 192.168.1.1
  thrift_framed_transport_size_in_mb: 1023
  thrift_max_message_length_in_mb: 1024
 8、vi bin/stop-server
  增加：
  user=`whoami`
  pgrep -u $user -f cassandra | xargs kill -9
 9、复制cassandra到其他节点：
  cd ..
  scp -r apache-cassandra-1.2.0 devcluster02:/home/ysc
  scp -r apache-cassandra-1.2.0 devcluster03:/home/ysc
  分别在devcluster02和devcluster03上面修改：
  vi conf/cassandra.yaml
   listen_address: 192.168.1.2
   rpc_address: 192.168.1.2
  vi conf/cassandra.yaml
   listen_address: 192.168.1.3
   rpc_address: 192.168.1.3
 10、分别在3个节点上面运行
  bin/cassandra
  bin/cassandra -f   参数 -f 的作用是让 Cassandra 以前端程序方式运行，这样有利于调试和观察日志信息，而在实际生产环境中这个参数是不需要的（即 Cassandra 会以 daemon 方式运行）
 11、bin/nodetool -host devcluster01 ring
        bin/nodetool -host devcluster01 info
 12、bin/stop-server
 13、bin/cassandra-cli
 修改nutch2.1：
 1、cd  /home/ysc/nutch-2.1
 2、vi  conf/gora.properties
  增加：
  gora.cassandrastore.servers=host2:9160,host6:9160,host8:9160
 3、vi  conf/nutch-site.xml
  增加：
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.cassandra.store.CassandraStore</value>
  </property>
 4、vi ivy/ivy.xml
  增加：
  <dependency org="org.apache.gora" name="gora-cassandra" rev="0.2.1" conf="*->default" />
 5、升级cassandra
  cp /home/ysc/apache-cassandra-1.2.0/lib/apache-cassandra-1.2.0.jar  /home/ysc/nutch-2.1/lib
  cp /home/ysc/apache-cassandra-1.2.0/lib/apache-cassandra-thrift-1.2.0.jar  /home/ysc/nutch-2.1/lib
  cp /home/ysc/apache-cassandra-1.2.0/lib/jline-1.0.jar  /home/ysc/nutch-2.1/lib
 6、ant
 7、cd runtime/deploy
 8、删除旧jar
  zip -d apache-nutch-2.1.job lib/cassandra-thrift-1.1.2.jar
  zip -d apache-nutch-2.1.job lib/jline-0.9.1.jar
十四、配置MySQL 单机服务器以运行nutch-2.1
 1、apt-get install mysql-server mysql-client
 2、vi /etc/mysql/my.cnf
  修改：
  bind-address            = 221.194.43.2
  在[client]下增加：
  default-character-set=utf8
  在[mysqld]下增加：
  default-character-set=utf8
 3、mysql –uroot –pysc
  SHOW VARIABLES LIKE '%character%';
 4、service mysql restart
 5、mysql –uroot –pysc
  GRANT ALL PRIVILEGES ON *.* TO root@"%" IDENTIFIED BY "ysc";
 6、vi conf/gora-sql-mapping.xml
  修改字段的长度
  <primarykey column="id" length="333"/>
  <field name="content" column="content" />
  <field name="text" column="text" length="19892"/>
 7、启动nutch之后登陆mysql
   ALTER TABLE webpage MODIFY COLUMN content MEDIUMBLOB;
   ALTER TABLE webpage MODIFY COLUMN text MEDIUMTEXT;
   ALTER TABLE webpage MODIFY COLUMN title MEDIUMTEXT;
   ALTER TABLE webpage MODIFY COLUMN reprUrl MEDIUMTEXT;
   ALTER TABLE webpage MODIFY COLUMN baseUrl MEDIUMTEXT;
   ALTER TABLE webpage MODIFY COLUMN typ MEDIUMTEXT;
   ALTER TABLE webpage MODIFY COLUMN inlinks MEDIUMBLOB;
   ALTER TABLE webpage MODIFY COLUMN outlinks MEDIUMBLOB;
 修改nutch2.1：
 1、cd  /home/ysc/nutch-2.1
 2、vi  conf/gora.properties
  增加：
   gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
 gora.sqlstore.jdbc.url=jdbc:mysql://host2:3306/nutch?createDatabaseIfNotExist=true&useUnicode=true&characterEncoding=utf8
  gora.sqlstore.jdbc.user=root
  gora.sqlstore.jdbc.password=ysc
 3、vi  conf/nutch-site.xml
  增加：
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.sql.store.SqlStore </value>
  </property>
  <property>
    <name>encodingdetector.charset.min.confidence</name>
    <value>1</value>
    <description>A integer between 0-100 indicating minimum confidence value
    for charset auto-detection. Any negative value disables auto-detection.
    </description>
  </property>
 4、vi ivy/ivy.xml
  增加：
  <dependency org="mysql" name="mysql-connector-java" rev="5.1.18" conf="*->default"/>
十五、nutch2.1 使用DataFileAvroStore作为数据源
 1、cd  /home/ysc/nutch-2.1
 2、vi  conf/gora.properties
  增加：
  gora.datafileavrostore.output.path=datafileavrostore
  gora.datafileavrostore.input.path=datafileavrostore
 3、vi  conf/nutch-site.xml
  增加：
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.avro.store.DataFileAvroStore</value>
  </property>
  <property>
    <name>encodingdetector.charset.min.confidence</name>
    <value>1</value>
    <description>A integer between 0-100 indicating minimum confidence value
    for charset auto-detection. Any negative value disables auto-detection.
    </description>
  </property>
 
十六、nutch2.1 使用AvroStore作为数据源
 1、cd  /home/ysc/nutch-2.1
 2、vi  conf/gora.properties
  增加：
  gora.avrostore.codec.type=BINARY
  gora.avrostore.input.path=avrostore
  gora.avrostore.output.path=avrostore
 3、vi  conf/nutch-site.xml
  增加：
  <property>
    <name>storage.data.store.class</name>
    <value>org.apache.gora.avro.store.AvroStore</value>
  </property>
  <property>
    <name>encodingdetector.charset.min.confidence</name>
    <value>1</value>
    <description>A integer between 0-100 indicating minimum confidence value
    for charset auto-detection. Any negative value disables auto-detection.
    </description>
  </property>
 
十七、配置SOLR
 配置tomcat：
 1、wget http://www.fayea.com/apache-mirror/tomcat/tomcat-7/v7.0.35/bin/apache-tomcat-7.0.35.tar.gz
 2、tar -xzvf apache-tomcat-7.0.35.tar.gz
 3、cd apache-tomcat-7.0.35
 4、vi conf/server.xml
 增加URIEncoding="UTF-8"：
  <Connector port="8080" protocol="HTTP/1.1"
       connectionTimeout="20000"
       redirectPort="8443" URIEncoding="UTF-8"/>
 5、mkdir conf/Catalina
 6、mkdir conf/Catalina/localhost
 7、vi conf/Catalina/localhost/solr.xml
 增加：
  <Context path="/solr">
   <Environment name="solr/home" type="java.lang.String" value="/home/ysc/solr/configuration/" override="false"/>
  </Context>
 8、cd ..
 下载SOLR:
 1、wget http://mirrors.tuna.tsinghua.edu.cn/apache/lucene/solr/4.1.0/solr-4.1.0.tgz
 2、tar -xzvf solr-4.1.0.tgz
 复制资源：
 1、mkdir /home/ysc/solr
 2、cp -r solr-4.1.0/example/solr  /home/ysc/solr/configuration
 3、unzip solr-4.1.0/example/webapps/solr.war -d /home/ysc/apache-tomcat-7.0.35/webapps/solr
 配置nutch：
 1、复制schema：
  cp /home/ysc/nutch-1.6/conf/schema-solr4.xml /home/ysc/solr/configuration/collection1/conf/schema.xml
 2、vi /home/ysc/solr/configuration/collection1/conf/schema.xml
  在<fields>下增加：
  <field name="_version_" type="long" indexed="true" stored="true"/>
 配置中文分词：
 1、wget http://mmseg4j.googlecode.com/files/mmseg4j-1.9.1.v20130120-SNAPSHOT.zip
 2、unzip mmseg4j-1.9.1.v20130120-SNAPSHOT.zip
 3、cp mmseg4j-1.9.1-SNAPSHOT/dist/* /home/ysc/apache-tomcat-7.0.35/webapps/solr/WEB-INF/lib
 4、unzip mmseg4j-1.9.1-SNAPSHOT/dist/mmseg4j-core-1.9.1-SNAPSHOT.jar -d  mmseg4j-1.9.1-SNAPSHOT/dist/mmseg4j-core-1.9.1-SNAPSHOT
 5、mkdir /home/ysc/dic
 6、cp   mmseg4j-1.9.1-SNAPSHOT/dist/mmseg4j-core-1.9.1-SNAPSHOT/data/* /home/ysc/dic
 7、vi /home/ysc/solr/configuration/collection1/conf/schema.xml
  将文件中的
  <tokenizer class="solr.WhitespaceTokenizerFactory"/>
  和
  <tokenizer class="solr.StandardTokenizerFactory"/>
  替换为
  <tokenizer class="com.chenlb.mmseg4j.solr.MMSegTokenizerFactory" mode="complex" dicPath="/home/ysc/dic"/>
 配置tomcat本地库：
 1、wget http://apache.spd.co.il/apr/apr-1.4.6.tar.gz
 2、tar -xzvf apr-1.4.6.tar.gz
 3、cd apr-1.4.6
 4、./configure
 5、make
 6、make  install
 1、wget http://mirror.bjtu.edu.cn/apache/apr/apr-util-1.5.1.tar.gz
 2、tar -xzvf apr-util-1.5.1.tar.gz
 3、cd apr-util-1.5.1
 4、./configure --with-apr=/usr/local/apr
 5、make
 6、make  install
 1、wget http://mirror.bjtu.edu.cn/apache//tomcat/tomcat-connectors/native/1.1.24/source/tomcat-native-1.1.24-src.tar.gz
 2、tar -zxvf tomcat-native-1.1.24-src.tar.gz
 3、cd tomcat-native-1.1.24-src/jni/native
 4、./configure --with-apr=/usr/local/apr \
                --with-java-home=/home/ysc/jdk1.7.0_01 \
                --with-ssl=no \
                --prefix=/home/ysc/apache-tomcat-7.0.35
 5、make
 6、make  install
 7、vi /etc/profile
 增加：
 export LD_LIBRARY_PATH=$LD_LIBRARY_PATH:/home/ysc/apache-tomcat-7.0.35/lib:/usr/local/apr/lib
 8、source /etc/profile
 启动tomcat：
 cd apache-tomcat-7.0.35
 bin/catalina.sh start
 http://devcluster01:8080/solr/
十八、Nagios监控
 服务端：
 1、apt-get install apache2 nagios3 nagios-nrpe-plugin
  输入密码：nagiosadmin
 2、apt-get install nagios3-doc
 3、vi /etc/nagios3/conf.d/hostgroups_nagios2.cfg
   define hostgroup {
     hostgroup_name  nagios-servers
     alias           nagios servers
     members         devcluster01,devcluster02,devcluster03
   }
 4、cp  /etc/nagios3/conf.d/localhost_nagios2.cfg /etc/nagios3/conf.d/devcluster01_nagios2.cfg
  vi /etc/nagios3/conf.d/devcluster01_nagios2.cfg
  替换：
   g/localhost/s//devcluster01/g
   g/127.0.0.1/s//192.168.1.1/g
 5、cp  /etc/nagios3/conf.d/localhost_nagios2.cfg /etc/nagios3/conf.d/devcluster02_nagios2.cfg
  vi /etc/nagios3/conf.d/devcluster02_nagios2.cfg
  替换：
   g/localhost/s//devcluster02/g
   g/127.0.0.1/s//192.168.1.2/g
 6、cp  /etc/nagios3/conf.d/localhost_nagios2.cfg /etc/nagios3/conf.d/devcluster03_nagios2.cfg
  vi /etc/nagios3/conf.d/devcluster03_nagios2.cfg
  替换：
   g/localhost/s//devcluster03/g
   g/127.0.0.1/s//192.168.1.3/g
 7、vi /etc/nagios3/conf.d/services_nagios2.cfg
  将hostgroup_name改为nagios-servers
  增加：
   # check that web services are running
   define service {
     hostgroup_name                  nagios-servers
     service_description             HTTP
     check_command                   check_http
     use                             generic-service
     notification_interval           0 ; set > 0 if you want to be renotified
   }
   # check that ssh services are running
   define service {
     hostgroup_name                  nagios-servers
     service_description             SSH
     check_command                   check_ssh
     use                             generic-service
     notification_interval           0 ; set > 0 if you want to be renotified
   }
 8、vi /etc/nagios3/conf.d/extinfo_nagios2.cfg
  将hostgroup_name改为nagios-servers
  增加：
   define hostextinfo{
     hostgroup_name   nagios-servers
     notes            nagios-servers
   #       notes_url        http://webserver.localhost.localdomain/hostinfo.pl?host=netware1
     icon_image       base/debian.png
     icon_image_alt   Debian GNU/Linux
     vrml_image       debian.png
     statusmap_image  base/debian.gd2
     }
 9、sudo /etc/init.d/nagios3 restart
 10、访问http://devcluster01/nagios3/
  用户名：nagiosadmin密码：nagiosadmin
 监控端：
 1、apt-get install nagios-nrpe-server
 2、vi /etc/nagios/nrpe.cfg
  替换：
  g/127.0.0.1/s//192.168.1.1/g
 3、sudo /etc/init.d/nagios-nrpe-server restart
十九、配置Splunk
 1、wget http://download.splunk.com/releases/5.0.2/splunk/linux/splunk-5.0.2-149561-Linux-x86_64.tgz
 2、tar -zxvf splunk-5.0.2-149561-Linux-x86_64.tgz
 3、cd splunk
 4、bin/splunk start --answer-yes --no-prompt --accept-license
 5、访问http://devcluster01:8000
  用户名：admin 密码：changeme
 6、添加数据 -> 从 UDP 端口 -> UDP 端口 *: 1688 -> 来源类型 从列表 log4j -> 保存
 7、配置hadoop
  vi /home/ysc/hadoop-1.1.1/conf/log4j.properties
  修改：
   log4j.rootLogger=${hadoop.root.logger}, EventCounter, SYSLOG
  增加：
   log4j.appender.SYSLOG=org.apache.log4j.net.SyslogAppender 
   log4j.appender.SYSLOG.facility=local1 
   log4j.appender.SYSLOG.layout=org.apache.log4j.PatternLayout 
   log4j.appender.SYSLOG.layout.ConversionPattern=%p %c{2}: %m%n 
   log4j.appender.SYSLOG.SyslogHost=host6:1688
   log4j.appender.SYSLOG.threshold=INFO 
   log4j.appender.SYSLOG.Header=true
   log4j.appender.SYSLOG.FacilityPrinting=true 
 8、配置hbase
  vi /home/ysc/hbase-0.92.2/conf/log4j.properties
  修改：
   log4j.rootLogger=${hbase.root.logger},SYSLOG
  增加：
   log4j.appender.SYSLOG=org.apache.log4j.net.SyslogAppender 
   log4j.appender.SYSLOG.facility=local1 
   log4j.appender.SYSLOG.layout=org.apache.log4j.PatternLayout 
   log4j.appender.SYSLOG.layout.ConversionPattern=%p %c{2}: %m%n 
   log4j.appender.SYSLOG.SyslogHost=host6:1688
   log4j.appender.SYSLOG.threshold=INFO 
   log4j.appender.SYSLOG.Header=true
   log4j.appender.SYSLOG.FacilityPrinting=true
 9、配置nutch
  vi /home/lanke/ysc/nutch-2.1-hbase/conf/log4j.properties
  修改：
   log4j.rootLogger=INFO,DRFA,SYSLOG
  增加：
   log4j.appender.SYSLOG=org.apache.log4j.net.SyslogAppender 
   log4j.appender.SYSLOG.facility=local1 
   log4j.appender.SYSLOG.layout=org.apache.log4j.PatternLayout 
   log4j.appender.SYSLOG.layout.ConversionPattern=%p %c{2}: %m%n 
   log4j.appender.SYSLOG.SyslogHost=host6:1688
   log4j.appender.SYSLOG.threshold=INFO 
   log4j.appender.SYSLOG.Header=true
   log4j.appender.SYSLOG.FacilityPrinting=true
 10、启动hadoop和hbase
  start-all.sh
  start-hbase.sh
二十、配置Pig
 1、wget http://labs.mop.com/apache-mirror/pig/pig-0.11.0/pig-0.11.0.tar.gz
 2、tar -xzvf pig-0.11.0.tar.gz
 3、cd pig-0.11.0
 4、vi /etc/profile
  增加：
  export PIG_HOME=/home/ysc/pig-0.11.0
  export PATH=$PIG_HOME/bin:$PATH
 5、source /etc/profile
 6、cp conf/log4j.properties.template conf/log4j.properties
 7、vi conf/log4j.properties
 8、pig
二十一、配置Hive
 1、wget http://mirrors.cnnic.cn/apache/hive/hive-0.10.0/hive-0.10.0.tar.gz
 2、tar -xzvf hive-0.10.0.tar.gz
 3、cd hive-0.10.0
 4、vi /etc/profile
  增加：
  export HIVE_HOME=/home/ysc/hive-0.10.0
  export PATH=$HIVE_HOME/bin:$PATH
 5、source /etc/profile
 6、cp conf/hive-log4j.properties.template conf/hive-log4j.properties
 7、vi conf/hive-log4j.properties
  替换：
  log4j.appender.EventCounter=org.apache.hadoop.metrics.jvm.EventCounter
  为：
  log4j.appender.EventCounter=org.apache.hadoop.log.metrics.EventCounter

二十二、配置Hadoop2.x集群
 1、wget http://labs.mop.com/apache-mirror/hadoop/common/hadoop-2.0.2-alpha/hadoop-2.0.2-alpha.tar.gz
 2、tar -xzvf hadoop-2.0.2-alpha.tar.gz
 3、cd hadoop-2.0.2-alpha
 4、vi etc/hadoop/hadoop-env.sh
  追加：
export JAVA_HOME=/home/ysc/jdk1.7.0_05
  export HADOOP_HEAPSIZE=2000
 5、vi etc/hadoop/core-site.xml
  <property>
   <name>fs.defaultFS</name>
   <value>hdfs://devcluster01:9000</value>
   <description>
      Where to find the Hadoop Filesystem through the network.
      Note 9000 is not the default port.
      (This is slightly changed from previous versions which didnt have "hdfs")
   </description>
   </property>
   <property>
    <name>io.file.buffer.size</name>
    <value>131072</value>
    <description>The size of buffer for use in sequence files.
    The size of this buffer should probably be a multiple of hardware
    page size (4096 on Intel x86), and it determines how much data is
    buffered during read and write operations.</description>
  </property>
 6、vi etc/hadoop/mapred-site.xml
  <property>
    <name>mapreduce.framework.name</name>
    <value>yarn</value>
  </property>
  <property>
    <name>mapred.job.reduce.input.buffer.percent</name>
    <value>1</value>
    <description>The percentage of memory- relative to the maximum heap size- to
    retain map outputs during the reduce. When the shuffle is concluded, any
    remaining map outputs in memory must consume less than this threshold before
    the reduce can begin.
    </description>
  </property>
  <property>
    <name>mapred.job.shuffle.input.buffer.percent</name>
    <value>1</value>
    <description>The percentage of memory to be allocated from the maximum heap
    size to storing map outputs during the shuffle.
    </description>
  </property>
  <property>
    <name>mapred.inmem.merge.threshold</name>
    <value>0</value>
    <description>The threshold, in terms of the number of files
    for the in-memory merge process. When we accumulate threshold number of files
    we initiate the in-memory merge and spill to disk. A value of 0 or less than
    0 indicates we want to DON'T have any threshold and instead depend only on
    the ramfs's memory consumption to trigger the merge.
    </description>
  </property>
  <property>
    <name>io.sort.factor</name>
    <value>100</value>
    <description>The number of streams to merge at once while sorting
    files.  This determines the number of open file handles.</description>
  </property>
  <property>
    <name>io.sort.mb</name>
    <value>240</value>
    <description>The total amount of buffer memory to use while sorting
    files, in megabytes.  By default, gives each merge stream 1MB, which
    should minimize seeks.</description>
  </property>
    <property>
      <name>mapred.map.output.compression.codec</name>
      <value>org.apache.hadoop.io.compress.SnappyCodec</value>
      <description>If the map outputs are compressed, how should they be
          compressed?
      </description>
    </property>
    <property>
      <name>mapred.output.compression.codec</name>
      <value>org.apache.hadoop.io.compress.SnappyCodec</value>
      <description>If the job outputs are compressed, how should they be compressed?
      </description>
    </property>
  <property>
    <name>mapred.output.compression.type</name>
    <value>BLOCK</value>
    <description>If the job outputs are to compressed as SequenceFiles, how should
        they be compressed? Should be one of NONE, RECORD or BLOCK.
    </description>
  </property>
  <property>
    <name>mapred.child.java.opts</name>
    <value>-Xmx2000m</value>
  </property>
  <property>
    <name>mapred.output.compress</name>
    <value>true</value>
    <description>Should the job outputs be compressed?
    </description>
  </property>
  <property>
    <name>mapred.compress.map.output</name>
    <value>true</value>
    <description>Should the outputs of the maps be compressed before being
        sent across the network. Uses SequenceFile compression.
    </description>
  </property>
  <property>
    <name>mapred.tasktracker.map.tasks.maximum</name>
    <value>5</value>
  </property>
  <property>
    <name>mapred.map.tasks</name>
    <value>15</value>
  </property>
  <property>
    <name>mapred.tasktracker.reduce.tasks.maximum</name>
    <value>5</value>
   <description>
   define mapred.map tasks to be number of slave hosts.the best number is the  number of slave hosts plus the core numbers of per host
   </description>
  </property>
  <property>
    <name>mapred.reduce.tasks</name>
    <value>15</value>
    <description>
   define mapred.reduce tasks to be number of slave hosts.the best number is the  number of slave hosts plus the core numbers of per host
    </description>
  </property>
  <property>
    <name>mapred.system.dir</name>
    <value>/home/ysc/mapreduce/system</value>
  </property>
  <property>
    <name>mapred.local.dir</name>
    <value>/home/ysc/mapreduce/local</value>
  </property>
  <property>
    <name>mapreduce.job.counters.max</name>
    <value>12000</value>
    <description>Limit on the number of counters allowed per job.
    </description>
  </property>
 7、vi etc/hadoop/yarn-site.xml
  <property>   
    <name>yarn.resourcemanager.resource-tracker.address</name>  
    <value>devcluster01:8031</value>
   </property>  
   <property> 
    <name>yarn.resourcemanager.address</name>    
    <value>devcluster01:8032</value> 
   </property>
   <property>   
    <name>yarn.resourcemanager.scheduler.address</name> 
    <value>devcluster01:8030</value>
   </property>
   <property> 
    <name>yarn.resourcemanager.admin.address</name> 
    <value>devcluster01:8033</value>  
   </property>  
   <property>   
    <name>yarn.resourcemanager.webapp.address</name>   
    <value>devcluster01:8088</value> 
   </property> 
   <property>  
    <description>Classpath for typical applications.</description>
    <name>yarn.application.classpath</name> 
    <value>      
    $HADOOP_CONF_DIR,     
    $HADOOP_COMMON_HOME/*,$HADOOP_COMMON_HOME/lib/*,   
    $HADOOP_HDFS_HOME/*,$HADOOP_HDFS_HOME/lib/*,      
    $HADOOP_MAPRED_HOME/*,$HADOOP_MAPRED_HOME/lib/*,  
    $YARN_HOME/*,$YARN_HOME/lib/*  
    </value> 
   </property>
   <property> 
    <name>yarn.nodemanager.aux-services</name> 
    <value>mapreduce.shuffle</value> 
   </property>  
   <property>   
    <name>yarn.nodemanager.aux-services.mapreduce.shuffle.class</name> 
    <value>org.apache.hadoop.mapred.ShuffleHandler</value> 
   </property> 
   <property>  
    <name>yarn.nodemanager.local-dirs</name>     <value>/home/ysc/h2/data/1/yarn/local,/home/ysc/h2/data/2/yarn/local,/home/ysc/h2/data/3/yarn/local</value> 
   </property>
   <property>
    <name>yarn.nodemanager.log-dirs</name>      <value>/home/ysc/h2/data/1/yarn/logs,/home/ysc/h2/data/2/yarn/logs,/home/ysc/h2/data/3/yarn/logs</value> 
   </property> 
   <property>  
    <description>Where to aggregate logs</description>
    <name>yarn.nodemanager.remote-app-log-dir</name>   
    <value>/home/ysc/h2/var/log/hadoop-yarn/apps</value>
   </property>   
   <property>   
    <name>mapreduce.jobhistory.address</name>  
    <value>devcluster01:10020</value>
   </property>  
   <property>   
    <name>mapreduce.jobhistory.webapp.address</name>  
    <value>devcluster01:19888</value>
   </property>  
 8、vi etc/hadoop/hdfs-site.xml
  <property> 
   <name>dfs.permissions.superusergroup</name> 
   <value>root</value>
  </property>
  <property>
    <name>dfs.name.dir</name>
    <value>/home/ysc/dfs/filesystem/name</value>
  </property>
  <property>
    <name>dfs.data.dir</name>
    <value>/home/ysc/dfs/filesystem/data</value>
  </property>
  <property>
    <name>dfs.replication</name>
    <value>3</value>
  </property>
  <property>
    <name>dfs.block.size</name>
    <value>6710886400</value>
    <description>The default block size for new files.</description>
  </property>
 9、启动hadoop
  bin/hdfs namenode -format
  sbin/start-dfs.sh
  sbin/start-yarn.sh
 10、访问管理页面
  http://devcluster01:8088
  http://devcluster01:50070

 

分享到：
| linux 下的sar工具命令小结
评论
发表评论

您还没有登录,请您登录后再发表评论

相关推荐

    Nutch相关框架视频教程

    资源名称：Nutch相关框架视频教程资源目录：【】Nutch相关框架视频教程1_杨尚川【】Nutch相关框架视频教程2_杨尚川【】Nutch相关框架视频教程3_杨尚川【】Nutch相关框架视频教程4_杨尚川【】Nutch相关框架视频教程5_...

    Nutch相关框架视频教程（20集）

    教程名称：Nutch相关框架视频教程（20集）课程目录：【】Nutch相关框架视频教程01【】Nutch相关框架视频教程02【】Nutch相关框架视频教程03【】Nutch相关框架视频教程04【】Nutch相关框架视频教程05【】Nutch相关...

    Nutch相关框架视频教程 讲义 杨尚川

    - **源代码管理**：Nutch使用**Subversion (SVN)**作为源代码管理系统。SVN是一种集中式的版本控制系统，能够有效管理项目的历史版本和变更记录。 #### 三、Lucene、Nutch与Hadoop的重要性 在搜索引擎领域，**...

    Nutch相关框架视频教程 （1-20）(PDF)

    3. **源代码管理**：Nutch使用Subversion (SVN) 进行源代码管理。SVN是一种集中式的版本控制系统，适用于团队协作开发。 #### 三、Lucene、Nutch与Hadoop的关系 4. **搜索引擎三巨头**：Lucene、Nutch和Hadoop在...

    nutch2.2.1安装步骤.docx

    Apache Nutch 是一个开源的网络爬虫框架，用于抓取互联网上的网页并建立索引，以便进行全文搜索。Nutch 2.2.1 是一个稳定版本，它依赖于其他几个组件来完成其功能，包括 Apache Ant、Apache Tomcat、Java 开发工具包...

    windows下安装nutch

    可以通过运行`cygwin.bat`文件来启动Cygwin终端，并使用`cd`命令切换到Nutch的安装目录，然后使用`ls -l`查看目录内容。运行`bin/nutch`命令，如果没有错误提示，说明Nutch已经成功安装。 8. **Nutch的配置**：安装...

    Nutch使用指南(英文)

    ### Nutch 使用指南 #### 一、概述 Nutch 是一个开源项目，旨在帮助用户构建自己的内部网搜索引擎或面向整个互联网的搜索引擎。本指南将基于 Nutch 的版本 0.7，详细介绍如何设置和配置 Nutch 以进行内部网爬取...

    关于Nutch的安装

    总之，Nutch的安装和使用涉及多个步骤，包括环境配置、源代码获取、配置参数、执行爬行任务等。理解并熟练掌握这些步骤，将有助于构建自己的搜索引擎系统。在实际操作过程中，可能会遇到各种问题，需要根据错误提示...

    Nutch相关框架视频教程讲义 （1-20）

    Nutch的很多代码是用Map Reduce和HDFS写的，哪里还能找到比Nutch更好的Hadoop应用案例呢？ 大数据这个术语最早的引用可追溯到Nutch。当时，大数据用来描述为更新网络搜索索引需要同时进行批量处理或分析的大量数据...

    nutch的安装方法，好用

    ### Nutch 的安装方法详解 #### 一、前言 Nutch是一款开源的网络爬虫项目，基于Hadoop实现，可以抓取整个互联网，并且能够根据网页内容进行索引和检索。本文将详细介绍如何在Windows环境下安装配置Nutch，使初学者...

    nutch2.3.1安装文档教程

    ### Nutch 2.3.1 安装与配置指南 #### 一、配置 ant 环境 在安装 Nutch 之前，首先需要确保环境中已经安装了 Apache Ant 工具，因为 Nutch 的构建过程依赖于 Ant。以下是具体步骤： 1. **下载 ant**： - 访问 ...

    Nutch+solr + hadoop相关框架搭建教程

    总的来说，Nutch+Solr+Hadoop 的框架搭建涉及多个组件的安装、配置和协同工作。理解这些组件的功能和相互之间的关系，以及如何通过脚本和配置文件控制它们，是成功搭建和使用该框架的关键。这个教程提供了详细步骤，...

    windows下nutch的安装.pdf

    Nutch是一个开源的Web搜索引擎框架，基于Java编写，它使用Lucene作为搜索引擎核心。Nutch能够抓取网站并建立索引，实现全文搜索功能。Cygwin是一个在Windows环境下运行的类Unix模拟环境，它提供一个庞大的类Unix工具...

    nutch配置与安装

    - **安装步骤**：根据官网提供的指南完成安装过程。 #### 三、安装Nutch Nutch的安装主要包括以下几个步骤： 1. **安装JDK**：首先需要在系统上安装Java Development Kit (JDK)，并设置环境变量`JAVA_HOME`指向JDK...

    nutch_1.4在windows下安装配置.pdf

    - **与 Solr 的关系**: Nutch 通常与 Apache Solr 集成使用，Solr 是一款开源全文搜索引擎框架，能够帮助用户高效地搜索 Nutch 爬取的网页内容。 #### 二、安装前所需工具及软件 1. **JDK 1.7** - **下载地址**: ...

    Apache Nutch 1.7 在windows和Linux下的安装

    本文将详细介绍 Apache Nutch 1.7 在 Windows 和 Linux 下的安装过程，包括安装前的准备工作、安装 Cygwin、安装 Nutch 1.7、测试 Nutch 1.7 以及与 Solr 结合使用等内容。 1. 准备工作 在安装 Apache Nutch 1.7 ...

    nutch使用&Nutch;入门教程

    这个“Nutch使用&Nutch;入门教程”将带你深入理解Nutch的基本概念、工作流程以及如何实际操作它来执行网络爬取任务。 一、Nutch简介 Nutch是一个基于Java的开源搜索引擎，其主要功能包括网页抓取、链接分析、网页...

Magicbox
Global site tag (gtag.js) - Google Analytics