Nutch 配置备忘

Phinecos(洞庭散人)
专注于开源技术的研究与应用
nutch 0.9在Windows下的安装

一、环境：
      1.操作系统：windowsXp,windows2000+
      2.java1.6，设置JAVA_HOME到环境变量
      3.cygwin,当然这个不是必需的，只是nutch提供的脚本只能在shell环境下使用，所以使用cygwin来虚拟shell命令。
      4.nutch版本：0.9
      5.tomcat：6.0
二、nutch的安装和配置：
1，安装Cygwin1.5.5（我这里装到F:\cygSys）,将nutch解压缩后放置到cygSys \home\用户名的一个目录下(我放在F:\cygSys\home\dyk\nutch下),如图：

2，在Cygwin环境下进入nutch-0.9目录下，使用命令 bin/nutch进行测试，正常的情况下出现的结果是：


3，进行抓取网站的测试，以抓取http://www.163.com/为例
1) 新建一个文件myurl,在文件中输入http://www.163.com/保存，这个文件可以放在任何地方（我这个文件放在F:\cygSys\home\dyk\nutch\myurl）,另外再建立一个爬虫日志目录logs(我放在F:\cygSys\home\dyk\nutch\logs)
2) 打开nutch-0.9\conf\nutch-site.xml文件，在<configuration></configuration>内插入以下内容：
<property>
  <name>http.agent.name</name>
  <value></value>
  <description>HTTP 'User-Agent' request header. MUST NOT be empty -
  please set this to a single word uniquely related to your organization.
 
  NOTE: You should also check other related properties:
 
     http.robots.agents
     http.agent.description
     http.agent.url
     http.agent.email
     http.agent.version
 
  and set their values appropriately.
 
  </description>
</property>
 
<property>
  <name>http.agent.description</name>
  <value></value>
  <description>Further description of our bot- this 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></value>
  <description>A URL to advertise in the User-Agent header.  This 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></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>
     可以把<name>XXX</name>之间的内容替换为其他字符，当然就算是不替换也无所谓，这里的设置，是因为nutch遵守了robots协议，在获取response时，把自己的相关信息提交给被爬行的网站，以供识别。
3) 打开nutch-0.9\conf\crawl-urlfilter.txt文件，把MY.DOMAIN.NAME字符替换为myurl内的域名（比如我改成了“+^http://([a-z0-9]*\.)*163.com/”，其实更简单点，直接删除MY.DOMAIN.NAME这几个字就可以了，也就是说，只保存+^http://([a-z0-9]*\.)*这几个字就可以了，表示所有http的网站都同意爬行）。
4) 运行爬虫,在Cygwin输入以下命令：
bin/nutch crawl ../myurl –dir ../mydir –depth 2 >&../logs/crawl1.log
这里dir表示存储的目录，-depth表示网址爬的深度，最后是指明日志文件

运行结束后，你可以打开日志文件查看爬虫运行的详细过程。
5，在tomcat上运行Nutch
把nutch-0.9.war拷贝到Tomcat\webapps\下面
在浏览器中输入http://localhost:8080/nutch-0.9/这步是为了使tomcat展开nutch-0.9.war，然后修改webapps/ nutch-0.9/WEB-INF/classes/nutch-site.xml文件如下：
<configuration>
<property>
  <name>searcher.dir</name>
  <value>F:\\cygSys\\home\\dyk\\nutch\\mydir4</value>
</property>
</configuration>
为了支持中文的搜索，修改Tomcat\conf\server.xml。找到对应的地方修改成
    <Connector port="8080" protocol="HTTP/1.1"
               connectionTimeout="20000"
               redirectPort="8443" URIEncoding="UTF-8" useBodyEncodingForURI="true"/>
在浏览器中输入http://localhost:8080/nutch-0.9，