<rt id="bn8ez"></rt>
<label id="bn8ez"></label>

  • <span id="bn8ez"></span>

    <label id="bn8ez"><meter id="bn8ez"></meter></label>

    天 霽

    那天風大,搜搜的
    posts - 4, comments - 36, trackbacks - 1, articles - 1
      BlogJava :: 首頁 :: 新隨筆 :: 聯系 :: 聚合  :: 管理

    nutch在Windows上的安裝 step by step

    Posted on 2006-10-18 17:55 天霽 閱讀(112) 評論(0)  編輯  收藏

    ???nutch作為開源代碼,為熱愛搜索引擎的開發人員們提供了很好的學習平臺,0.8版本開始,采用了Hadoop作為自己的分布式文件系統,更是把nutch同其他開源搜索引擎的差距拉開。

    ???nutch的官方網站:http://lucene.apache.org/nutch/
    ???nutch的入門文章:http://lucene.apache.org/nutch/tutorial8.html

    ???以下詳細的介紹一下nutch0.8的安裝方法:

    一、環境:
    ??????1.操作系統:windowsXp,windows2000+
    ??????2.javaVM:java1.5.x,設置JAVA_HOME到環境變量
    ??????3.cygwin,當然這個不是必需的,只是nutch提供的腳本只能在shell環境下使用,所以使用cygwin來虛擬shell命令。
    ??????4.nutch版本:0.8
    ??????5.tomcat:5.0

    二、cygwin的安裝:

    ??????cygwin的安裝在NutchWindows中安裝之細解一文中有較為詳細的介紹,此處不再介紹安裝步驟,只介紹安裝后需要如何判斷是否能夠使用:在cygwin的安裝目錄下,查找x:\cygwin\cygwin\bin\sh.exe,存在此命令即可使用。
    ??????cygwin在刪除后會發現無法再次成功安裝的問題,可以通過注冊表內的查找功能,刪除所有包含cygwin內容的鍵值即可。

    三、nutch的安裝和配置:

    ??????1。從http://lucene.apache.org/nutch/release/下載0.8或更高的版本,解壓縮后,放置到cygwin的根目錄下,如圖:

    ?

    ?????圖中可以看到nutch目錄在cygwin的根目錄下。
    ?????
    ??? 2。在nutch/bin下,建立urls目錄,然后建立一個url.txt文件,在url.txt文件內寫入一個希望爬行的url,例如:www.sina.com.cn,目錄結構如圖:

    ?

    ?????
    ??????3。打開nutch\conf\crawl-urlfilter.txt文件,把MY.DOMAIN.NAME字符替換為url.txt內的url的域名,其實更簡單點,直接刪除MY.DOMAIN.NAME這幾個字就可以了,也就是說,只保存+^http://([a-z0-9]*\.)*這幾個字就可以了,表示所有http的網站都同意爬行。

    ??????4 。打開nutch\conf\conf/nutch-site.xml文件,在<configuration></configuration>內插入一下內容:

    <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>

    ?????把<name>XXX</name>之間的內容替換為其他字符,當然就算是不替換也無所謂,這里的設置,是因為nutch遵守了robots協議,在獲取response時,把自己的相關信息提交給被爬行的網站,以供識別。

    ???以上配置,是爬取intranet的配置方式。

    ????四、執行nutch

    ???由于配置nutch采用的是單獨網站的配置方式,所以執行上我們也采用的是單網查詢,全網查詢在以后的內容中介紹。

    ???先看一看nutch給出的命令:nutch crawl urls -dir crawl -depth 3 -topN 50
    ???crawl:通知nutch.jar,執行crawl的main方法。
    ???urls:存放需要爬行的url.txt文件的目錄,注意,這個名字需要和你的文件夾目錄相同,如果你的文件夾為search,那這里也應該改成search。
    ???-dir crawl:爬行后文件保存的位置,可以在nutch/bin目錄下找到。
    ???-depth 3:爬行次數,或者成為深度,不過還是覺得次數更貼切,建議測試時改為1。
    ???-topN 50:一個網站保存的最大頁面數。


    ??????執行命令的步驟:
    ??????1。進入cygwin界面。
    ??????2。使用cd命令,進入nutch\bin路徑下。
    ??????3。執行:sh nutch crawl urls -dir crawl -depth 3 -topN 50

    ???具體的爬行日志可以在nutch/logs目錄下看到,注意查找“INFO? fetcher.Fetcher - fetching http://XXXXXXX”這樣的內容,這里是抓去過程日志。

    ???五、查詢搜索:
    ???nutch提供了類似google、baidu的網頁頁面,在nutch壓縮包下找到nutch-0.8.war文件,放到tomcat/webapps目錄下,修改webapps/nutch/WEB-INF/classes/nutch-site.xml文件內容如下:

    <property>
    <name>searcher.dir</name>
    <value>E:\\software\\splider\\nutch\\nutch-0.8\\nutch-0.8\\crawl</value>

    </property>

    ???<value/>的內容是剛才爬行后的crawl目錄位置,提供給客戶端來查詢。

      配置完成后,啟動tomcat,輸入http://localhost:8080/nutch,輸入關鍵字,就會看到結果了,下圖是我抓去wap網站的測試結果:


    ???六、總結:
    ???ntuch提供了一個高效、開源、易操作的搜索引擎,內部有許多細微之處都是值得借鑒的,例如采用了hadoop的分布式文件系統,類似eclipse的插件技術,apache的httpclient來訪問網站,org.cyberneko.html得HtmlParse來解析頁面等等,在以后會逐個介紹。


    歡迎轉載,請注明出處!


    只有注冊用戶登錄后才能發表評論。


    網站導航:
     
    主站蜘蛛池模板: 亚洲免费电影网站| 中文字幕精品亚洲无线码一区应用| 国产成人亚洲精品青草天美| 国产成人精品免费久久久久| 亚洲精品国产精品国自产观看| 色婷婷六月亚洲综合香蕉| 免费a级毛片无码a∨蜜芽试看| 亚洲日日做天天做日日谢| 青草草色A免费观看在线| 91亚洲va在线天线va天堂va国产 | a级男女仿爱免费视频| 国产成人亚洲精品91专区手机| 美女露隐私全部免费直播| www国产亚洲精品久久久| 国产黄片不卡免费| 国产AV无码专区亚洲A∨毛片| 久久免费观看国产精品| 亚洲综合小说久久另类区| 一色屋成人免费精品网站| 久久亚洲中文无码咪咪爱| 亚洲AV中文无码乱人伦| 中文字幕手机在线免费看电影 | 亚洲av日韩av高潮潮喷无码 | a级毛片毛片免费观看久潮喷| 国产V亚洲V天堂A无码| 美女被免费喷白浆视频| 亚洲av日韩aⅴ无码色老头| 免费人成视网站在线观看不卡| 久久精品国产亚洲| 亚洲精品在线免费观看视频 | 一级特黄aaa大片免费看| 亚洲精品无码久久久久sm| 2019中文字幕免费电影在线播放| 亚洲国产日韩综合久久精品| 亚洲精品A在线观看| 久久免费的精品国产V∧| 亚洲av无码专区在线电影| 亚洲韩国精品无码一区二区三区 | 一级成人毛片免费观看| 亚洲色四在线视频观看| 日韩一级视频免费观看|