Nutch+Hadoop集群搭建

1、Apache Nutch

Apache Nutch是一个用于网络搜索的开源框架，它提供了我们运行自己的搜索引擎所需的全部工具，包括全文搜索和Web爬虫。

1.1、Nutch的组件结构

WebDB:存储网页数据和连接信息

Fetch lists:将WebDB所存储的连接分成多个组，来用于分布式检索

Fetchers:检索Fetch list中的内容并下载到本地，共有两项输出：分别是连接的update

信息和内容content

Updates:更新WebDB的页面检索状态

WebDB、updates、fetch lists和fetchers组成循环结构，不断运行下去，来确保所得到的Web镜像是最新的

Content:界面内容，获取内容之后，Nutch便可以根据它来创建索引并执行查询操作

Indexers:对目标Content创建索引，当索引内容较大时，可把索引划分成多个索引片段，然后分配给不同的seracher实现并行检索

Searchers:实现查询功能的同时也会缓存content

Webservers:有两种角色：

1处理用户的交互请求（Nutch Search Client）

2从searchers中获取查询结果（HTTP Server）

注：fetchers和searchers两个节点所对应的操作可放到分布式环境(hadoop)中去完成

创建索引及查询的操作可通过solr框架来实现

1.2、Nutch的数据结构:

Nutch数据包含3个目录结构，分别是：

1、Crawldb:用于存储Nutch将要检索的url信息，以及检索状态(是否检索、何时检索)

2、Linkdb:用于存储每一个url所包含的超链接信息(包括锚点)

3、Segments:一组url的集合，他们作为一个检索单元，可用于分布式检索

Segment目录包含以下子目录信息:

(1)crawl_generate:定义将要检索的url集合(文件类型为SequenceFile)

(2)crawl_fetch:存储每一个url的检索状态(文件类型为MapFile)

(3)content:存储每一个url所对应的二进制字节流(文件类型为MapFile)

(4)parse_text:存储每一个url所解析出的文本内容(文件类型为MapFile)

(5)parse_data:存储每一个url所解析出的元数据(文件类型为MapFile)

(6)crawl_parse:用于及时更新crawldb中的内容(如要检索的url已不存在等情况)--文件类型为SequenceFile

注：结合Nutch的数据结构和组件结构来看，crawldb相当于WebDB，而segment相当于是fetchlists.

分布式crawl过程中，每个MapReduce Job都会生成一个segment，名称以时间来命名

2、Apache Hadoop

Nutch的单机采集(local方式)并不复杂，然而当所采集的数据源较大时，一台机器难以满足性能上的需求，因此通常的做法是将Nutch集成到Hadoop环境中以完成分布式采集和分布式查询的效果(deploy方式)。

Hadoop框架在功能划分上包含3个子框架，分别是：

MapReduce：用于分布式并行计算

HDFS：用于分布式存储

Common：封装HDFS和MapReduce所需要的实用类

2.1、MapReduce工作流程

1.将输入源(Inputfiles)切割成不同的片段，每个片段的大小通常在16M-64M之间(可通过参数配置)，然后启动云端程序。

2.MapReduce程序基于master/slaves方式部署，在云端机器中选中一台机器运行master程序，职责包括：调度任务分配给slaves，监听任务的执行情况。

3.在图形中，slave的体现形式为worker，当worker接到Map任务时，会读取输入源片段，从中解析出Key/Value键值对，并作为参数传递到用户自定义的Map功能函数之中，Map功能函数的输出值同样为Key/Value键值对，这些键值对会临时缓存在内存里面。

4.缓存之后，程序会定期将缓存的键值对写入本地硬盘(执行如图所示的local write操作)，并且把存储地址传回给master，以便master记录它们的位置用以执行Reduce操作。

5.当worker被通知执行Reduce操作时，master会把相应的Map输出数据所存储的地址也发送给该worker，以便其通过远程调用来获取这些数据。得到这些数据之后，reduce worker会把具有相同Key值的记录组织到一起来达到排序的效果。

6.Reduce Worker会把排序后的数据作为参数传递到用户自定义的Reduce功能函数之中，而函数的输出结果会持久化存储到output file中去。

7.当所有的Map任务和Reduce任务结束之后，Master会重新唤醒用户主程序，至此，一次MapReduce操作调用完成。

2.2、HDFS组件结构

同MapReduce部署结构类似，HDFS同样具备master/slaves主仆结构

1.如图所示中，NameNode充当master角色，职责包括：管理文档系统的命名空间(namespace)；调节客户端访问到需要的文件(存储在DateNode中的文件)

注：namespace—映射文件系统的目录结构

2.DataNodes充当slaves角色，通常情况下，一台机器只部署一个Datenode，用来存储MapReduce程序需要的数据

Namenode会定期从DataNodes那里收到Heartbeat和Blockreport反馈

Heartbeat反馈用来确保DataNode没有出现功能异常；

Blockreport包含DataNode所存储的Block集合

2.3、hadoop资源

1http://wiki.apache.org/nutch/NutchHadoopTutorial基于Nutch和Hadoop完成分布式采集和分布式查询

3、环境搭建

3.1、需要准备

3.1.1两台或以上Linux机器(这里假定为两台)

一台机器名称设置为master，另一台设置为slave01，两台机器具有相同的登录用户名nutch，并且将两台机器的etc/hosts文件设置成相同的内容，如:
192.168.7.11 master

192.168.7.12 slave01

……

这样，便可以通过主机名找到对应的机器

3.1.2搭建ssh环境

ssh的安装可通过如下命令完成：

$ sudo apt-get install ssh

$ sudo apt-get install rsync

3.1.3安装JDK

$ apt-get install openjdk-6-jdkopenjdk-6-jre

3.1.4下载最近版本的hadoop和nutch

下载地址:

Hadoop:http://www.apache.org/dyn/closer.cgi/hadoop/common/

Nutch:http://www.apache.org/dyn/closer.cgi/nutch/

3.2、搭建配置

3.2.1SSH登录配置

(1)在master机器上通过以下命令生成证书文件authorized_keys

$ ssh-keygen -t rsa -P '' -f ~/.ssh/id_rsa
$ cat ~/.ssh/id_rsa.pub >> ~/.ssh/authorized_keys

(2)将证书文件复制到其他机器的用户主目录下

$scp /home/nutch/.ssh authorized_keysnutch@slave01:/home/nutch/.ssh/authorized_keys

通过以上两步操作，master机器便可以在不需要密码的情况下ssh到slave01机器上

3.2.2HADOOP配置

同ssh登录证书的配置类似，HADOOP配置同样是在master机器上完成，然后在复制到slave机器上，确保每一台机器的hadoop环境相同

$HADOOP_HOME/conf目录下：

(1)hadoop-env.sh文件

 export HADOOP_HOME=/PATH/TO/HADOOP_HOME

 export JAVA_HOME=/PATH/TO/JDK_HOME

 export HADOOP_LOG_DIR=${HADOOP_HOME}/logs

(2)core-site.xml文件

 <configuration>

  <property>

  <name>fs.default.name</name>

  <value>hdfs://master:9000</value>

  </property>

 </configuration>

(3)hdfs-site.xml文件

 <configuration>

 <property>

   <name>dfs.name.dir</name>

 <value>/nutch/filesystem/name</value>

 </property>

 <property>

  <name>dfs.data.dir</name>

   <value>/nutch/filesystem/data</value>

 </property>

 <property>

  <name>dfs.replication</name>

  <value>1</value>

 </property>

 </configuration>

(4)mapred-site.xml文件

 <configuration>

 <property>

  <name>mapred.job.tracker</name>

   <value>master:9001</value>

 </property>

 <property> 

 <name>mapred.map.tasks</name>

  <value>2</value>

 </property> 

 <property> 

 <name>mapred.reduce.tasks</name>

  <value>2</value>

 </property> 

 <property>

  <name>mapred.system.dir</name>

  <value>/nutch/filesystem/mapreduce/system</value>

 </property>

 <property>

  <name>mapred.local.dir</name>

  <value>/nutch/filesystem/mapreduce/local</value>

 </property>

 </configuration>

 (5)masters和slaves配置

 将相应的机器IP加到对应的配置文件中去

 3.2.3 Nutch配置

 $NUTCH_HOME/conf目录下

 (1)nutch-site.xml文件

 <property>

 <name>http.agent.name</name>

 <value>Nutch Spider</value>

 </property>

 (2)regex-urlfilter.txt

 添加需要检索的url

 +^http://([a-z0-9]*\.)*nutch.apache.org/

(3)将修改后的文件放到NUTCH_HOME/runtime/deploy/nutch-*.job中

3.3、启动运行

 3.3.1 启动Hadoop

1.格式化namenode节点

bin/hadoop namenode –format

2.启动hadoop进程

bin/start-all.sh

启动成功后，可通过如下url查看NameNode和MapReduce运行状态

NameNode:http://master:50070/

MapReduce:http://master:50030/

3.向hdfs放入测试数据

$ bin/hadoop fs -put conf input

4.执行测试

$ bin/hadoop jar hadoop-examples-*.jar grep input output'dfs[a-z.]+'

5.关闭hadoop进程

bin/stop-all.sh

 3.3.2 运行Nutch

1启动前提:

(1).hadoop已成功启动

(2).将HADOOP_HOME/bin路径添加到环境变量中，以便Nutch找到hadoop命令

通过修改/etc/enviroment配置文件实现

(3)在控制台执行export JAVA_HOME=/PATH/TO/JAVA命令

 2向HDFS中存入待检索数据

 $ bin/hadoop fs -put urldir urldir

 注：第一个urldir为本地文件夹，存放了url数据文件，每行一个url

 第二个urldir为HDFS的存储路径

 3启动nutch命令

 在NUTCH_HONE/runtime/deploy目录下执行以下命令

 $ bin/nutch crawl urldir –dir crawl -depth 3 –topN 10

 命令成功执行后，会在HDFS中生成crawl目录

 注:一定要在deploy目录下执行该命令，在local目录下执行的是单机采集，而没有使用hadoop环境