毕业设计3－－－Nutch的使用

        今天研究了Nutch， 差不多已经好几个小时了， 到现在还没有搞定，也这么晚了， 先记录下来，明天继续吧。

       一开始很多时间都浪费在了cygwin的安装上了，bs这个软件的开发者了， 一个不伦不类的软件安装程序，安装的时候还要从网上下载东东。。。。。不过最后终于装成功了， 先下载到本地后，再安装的（建议 下载站点中选 TW的比较块）。

   下面是我安装CYGWIN和NUTCH的过程， 都块成功了， 但最后卡在了用户查询界面， 输入东西什么都查不出来，不知怎么回事。

                                            NUTCH的大致原理如下：

安装步骤参考了该文章 

一、环境：
      1.操作系统：windowsXp,windows2000+
      2.javaVM：java1.5.x，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：0.8
      5.tomcat：5.0

二、cygwin的安装：

      cygwin的安装在Nutch在Windows中安装之细解一文中有较为详细的介绍，此处不再介绍安装步骤，只介绍安装后需要如何判断是否能够使用：在cygwin的安装目录下，查找x:\cygwin\cygwin\bin\sh.exe，存在此命令即可使用。
      cygwin在删除后会发现无法再次成功安装的问题，可以通过注册表内的查找功能，删除所有包含cygwin内容的键值即可。

三、nutch的安装和配置：

      1。从http://lucene.apache.org/nutch/release/下载0.8或更高的版本，解压缩后，放置到cygwin的根目录下，如图：

 

     图中可以看到nutch目录在cygwin的根目录下。
     
    2。在nutch/bin下，建立urls目录，然后建立一个url.txt文件，在url.txt文件内写入一个希望爬行的url，例如：www.sina.com.cn，目录结构如图：

 

     
      3。打开nutch\conf\crawl-urlfilter.txt文件，把MY.DOMAIN.NAME字符替换为url.txt内的url的域名，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 。打开nutch\conf\conf/nutch-site.xml文件，在<configuration></configuration>内插入一下内容：

<property><o:p></o:p>

  <name>http.agent.name</name><o:p></o:p>

  <value></value><o:p></o:p>

  <description>HTTP 'User-Agent' request header. MUST NOT be empty - <o:p></o:p>

  please set this to a single word uniquely related to your organization.<o:p></o:p>

<o:p> </o:p>

  NOTE: You should also check other related properties:<o:p></o:p>

<o:p> </o:p>

     http.robots.agents<o:p></o:p>

     http.agent.description<o:p></o:p>

     http.agent.url<o:p></o:p>

     http.agent.email<o:p></o:p>

     http.agent.version<o:p></o:p>

<o:p> </o:p>

  and set their values appropriately.<o:p></o:p>

<o:p> </o:p>

  </description><o:p></o:p>

</property><o:p></o:p>

<o:p> </o:p>

<property><o:p></o:p>

  <name>http.agent.description</name><o:p></o:p>

  <value></value><o:p></o:p>

  <description>Further description of our bot- this text is used in<o:p></o:p>

  the User-Agent header.  It appears in parenthesis after the agent name.<o:p></o:p>

  </description><o:p></o:p>

</property><o:p></o:p>

<o:p> </o:p>

<property><o:p></o:p>

  <name>http.agent.url</name><o:p></o:p>

  <value></value><o:p></o:p>

  <description>A URL to advertise in the User-Agent header.  This will <o:p></o:p>

   appear in parenthesis after the agent name. Custom dictates that this<o:p></o:p>

   should be a URL of a page explaining the purpose and behavior of this<o:p></o:p>

   crawler.<o:p></o:p>

  </description><o:p></o:p>

</property><o:p></o:p>

<o:p> </o:p>

<property><o:p></o:p>

  <name>http.agent.email</name><o:p></o:p>

  <value></value><o:p></o:p>

  <description>An email address to advertise in the HTTP 'From' request<o:p></o:p>

   header and User-Agent header. A good practice is to mangle this<o:p></o:p>

   address (e.g. 'info at example dot com') to avoid spamming.<o:p></o:p>

  </description><o:p></o:p>

</property><o:p></o:p>

     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。

   以上配置，是爬取intranet的配置方式。

    四、执行nutch

   由于配置nutch采用的是单独网站的配置方式，所以执行上我们也采用的是单网查询，全网查询在以后的内容中介绍。

   先看一看nutch给出的命令：nutch crawl urls -dir crawl -depth 3 -topN 50
   crawl：通知nutch.jar，执行crawl的main方法。
   urls：存放需要爬行的url.txt文件的目录，注意，这个名字需要和你的文件夹目录相同，如果你的文件夹为search，那这里也应该改成search。
   -dir crawl：爬行后文件保存的位置，可以在nutch/bin目录下找到。
   -depth 3：爬行次数，或者成为深度，不过还是觉得次数更贴切，建议测试时改为1。
   -topN 50：一个网站保存的最大页面数。

      执行命令的步骤：
      1。进入cygwin界面。
      2。使用cd命令，进入nutch\bin路径下。
      3。执行：sh nutch crawl urls -dir crawl -depth 3 -topN 50

   具体的爬行日志可以在nutch/logs目录下看到，注意查找“INFO  fetcher.Fetcher - fetching http://XXXXXXX”这样的内容，这里是抓去过程日志。

   五、查询搜索：（目前我还没有通过此步,输入关键字老是没有结果？？？？）
   nutch 提供了类似google、baidu的网页页面，在nutch压缩包下找到nutch-0.8.war文件，放到tomcat/webapps目录下，修改webapps/nutch/WEB-INF/classes/nutch-site.xml文件内容如下：

<property>
<name>searcher.dir</name>
<value>C:\\cygwin\\nutch\\bin\\crawl</value>
</property>

   <value/>的内容是刚才爬行后的crawl目录位置，提供给客户端来查询。

　　配置完成后，启动ｔｏｍｃａｔ，输入http://localhost:8080/nutch，输入关键字，就会看到结果了，下图是我抓去ｗａｐ网站的测试结果：

   六、总结：
   ntuch 提供了一个高效、开源、易操作的搜索引擎，内部有许多细微之处都是值得借鉴的，例如采用了hadoop的分布式文件系统，类似eclipse的插件技术， apache的httpclient来访问网站，org.cyberneko.html得HtmlParse来解析页面等等，在以后会逐个介绍。


-----------------------------------------------------------------------------------------------------------------------------------------------明天继续，呵呵

评论

1 楼 dwangel 2007-03-02  

其实……
有不用cygwin直接启动nutch的批处理脚本的。