搭建基于nutch的搜索引擎

这两天闲着没事，看了看开源项目luncence和nutch，冲动之下利用nutch搭建一个简单的仿百度下的小小的搜索引擎，在搭建过程中，参考了于天恩老师写的《LUCENE搜索引擎开发权威经典》一书中后面的一章，感觉这本书对lucence的知识写的通俗易懂，下面说下搭建nutch的方法：

准备软件：

cywin:下载地址： http://inst.eecs.berkeley.edu/~instcd/iso//cygwin-release-20061108.iso
nutch:下载地址： http://apache.freelamp.com/nutch/nutch-0.9.tar.gz
tomat：：（下载地址不提供，自己下）
JDK：（下载地址不提供，自己下）

怎么安装的就不介绍了，可以到网上去找，比较容易下面介绍安装后的配置：

环境配置:

1、修改：C:\nutch-0.9\conf\nutch-site.xml
内容如下：
说明：由于nutch自动的这个配置文件<configuration></configuration>中间是空的，所以需要把下面的给添加上去，内容可以根据相关规则自己可以更改
---------------------------------------------
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>
<property>
  <name>http.agent.name</name>
  <value>Nutch</value>
  <description>Peter Pu Wang</description>
</property>
<property>
  <name>http.robots.agents</name>
  <value>Nutch,*</value>
  <description>The agent strings we'll look for in robots.txt files,comma-separated,in decreasiong order of precedence.You should put the value of http.agent.name as the first agent name,and keep the default * at the end of the list. E.g:BlurflDev,Blurfl,*
  </description>
</property>
<property>
  <name>http.agent.description</name>
  <value>Nutch</value>
  <description>Futher description of our bot-ths text is used in the User-Agent header.It appears in parenthesis after the agent name.
  </description>
</property>

<property>
  <name>http.agent.url</name>
  <value>http://lucene.apache.org/nutch/bot.html</value>
  <description>A Url to advertise in the User-Agent header.Thes will appear in parenthesis after the agent name.Custom dictates that this should be a URL of a page explaining the purpose and behavior of this crawler.
  </description>
</property>
<property>
  <name>http.agent.email</name>
  <value>[e-mail]</value>
  <description>An email address to advertise in the HTTP 'From' request header and User-Agent header.A good practice is to mangle this address(e.g.'info at example dot com') to avoid spamming.
  </description>
</property>
</configuration>
----------------------------------------------------

2、在nutch根目录下创建urls目录文件，在urls目录里面创建url.txt

里面内容写上爬虫起先开始抓取的网址：

如直接输入：http://www.qq.com/
3、修改：C:\nutch-0.9\conf\crawl-urlfilter.txt
内容如下：
说明：只需要修改下面的：+^http://www.qq.com/ 把网址可以换掉这个网址，刚开始这个地方是个正则表达式，也可以自己写成一个正则表达式匹配更多网址
------------------------------------------------
# The url filter file used by the crawl command.

# Better for intranet crawling.
# Be sure to change MY.DOMAIN.NAME to your domain name.

# Each non-comment, non-blank line contains a regular expression
# prefixed by '+' or '-'.  The first matching pattern in the file
# determines whether a URL is included or ignored.  If no pattern
# matches, the URL is ignored.

# skip file:, ftp:, & mailto: urls
-^(file|ftp|mailto):

# skip image and other suffixes we can't yet parse
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$

# skip URLs containing certain characters as probable queries, etc.
-[?*!@=]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/.+?)/.*?\1/.*?\1/

# accept hosts in MY.DOMAIN.NAME
+^http://www.qq.com/

# skip everything else
-.

------------------------------------------------
4、配置nutch系统服务
NUTCH_JAVA_HOME：C:\Program Files\Java\jdk1.6.0_13
clsspath：%JAVA_HOME%\lib\dt.jar;%JAVA_HOME%\lib\htmlconverter.jar;%JAVA_HOME%\lib\tools.jar;%JAVA_HOME%\sample\jnlp\servlet\jnlp-servlet.jar;%JAVA_HOME%\lib\jconsole.jar

5、配置cywin爬虫抓取网页数据的方法

安装cywin后桌面会出现一个cywin的图标，点击后会出现一个控制台

第一步：进入到下载的nutch解压后的的根目录下，输入cd  c:/nutch0.9

第二步：键入命令：bin/nutch crawl urls -dir mydir -depth 10

说明:第二步中的命令参数有好些个可以自己选择，上面是我自己敲入的几个参数：

其中mydir：抓取的网页的输入存储的路径，这个名称可以自定义，抓取结束后会发现nutch跟目下会有个mydir的目录

-depth 10：-depth是指抓取的网页的深度，我这里设置的10，就是深度为10，你也可以设置大点或者小一点都可以




6、nutch程序部署
将nutch更目录下的C:\nutch-0.9\nutch-0.9.war拷贝到tomcat下直接部署即可
部署的程序配置：
1、D:\apache-tomcat-6.0.18\webapps\nutch-9\WEB-INF\classes\hadoop-site.xml
修改为： 其中mydir目录名称是你进行爬虫的时候配置创建的目录，需要对应名称
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!-- Put site-specific property overrides in this file. -->

<configuration>
<property>
<name>searcher.dir</name>
<value>C:\nutch-0.9\mydir</value>
</property>
</configuration>

2、启动tomcat

以上的配置设置完之后，先执行上面的第四项先抓取数据后在启动tomcat也就是执行第五步可以开始访问了。