Chinaunix首页 | 论坛 | 博客
  • 博客访问: 2316212
  • 博文数量: 252
  • 博客积分: 5472
  • 博客等级: 大校
  • 技术积分: 3107
  • 用 户 组: 普通用户
  • 注册时间: 2011-09-17 18:39
文章分类

全部博文(252)

文章存档

2012年(96)

2011年(156)

分类: LINUX

2012-03-29 17:21:14

Nutch是一个完整的开源全文检索软件,它是建立在lucene java之上增加,增加了一些web特性, 
如网络爬虫,link-graph数据库,HTML文本解析和其他格式文档解析,等等。 

下载nutch 

1.选择安装nutch的目录,我就直接安装到/home/admin下 
Java代码  收藏代码
  1. [root@search-test1 ~]# cd /home/admin/  



2.下载nutch-1.0: 
Java代码  收藏代码
  1. [root@search-test3 admin]# wget ""  



3.解压nutch-1.0.war,建立软链 
Java代码  收藏代码
  1. [root@search-test3 admin]# tar -zxf nutch-1.0.tar.gz   
  2. [root@search-test3 admin]# ln -s nutch-1.0 nutch  



/home/admin下nutch的目录列表 
Java代码  收藏代码
  1. [root@search-test3 admin]# ll|grep 'nutch'  
  2. lrwxrwxrwx 1 root root        9 01-12 14:57 nutch -> nutch-1.0  
  3. drwxr-xr-x 9 root root     4096 2009-03-24 nutch-1.0  
  4. -rw-r--r-- 1 root root 86557549 2009-03-28 nutch-1.0.tar.gz  



内部爬虫的配置 

1.在/home/admin/nutch下建立一个urls目录,在urls下建立一个taizhou.txt,爬台州的一个网站(很多大的网站对这中野爬虫都做了屏蔽,最后才选择了taizhou.com)。 
Java代码  收藏代码
  1. [root@search-test3 nutch]# mkdir /home/admin/nutch/urls;touch /home/admin/nutch/urls/taizhou.txt  
  2. .....  
  3. [root@search-test3 nutch]# cat /home/admin/nutch/urls/taizhou.txt  
  4. http://  



2.编辑conf/crawl-urlfilter.txt,替换“MY.DOMAIN.NAME”为“taizhou.com”,如下所示: 
Java代码  收藏代码
  1. +^http://([a-z0-9]*\.)*taizhou.com/  



3.编辑conf/nutch-site.xml,配置爬虫携带的http头的信息,这里只是部分属性 
Java代码  收藏代码
  1. [root@search-test3 conf]# cat nutch-site.xml     
  2. "1.0"?>  
  3. "text/xsl" href="configuration.xsl"?>  
  4.   
  5.   
  6.   
  7.   
  8.   
  9.   http.agent.name  
  10.   8qiu-spider  
  11.   HTTP 'User-Agent' request header. MUST NOT be empty -   
  12.   please set this to a single word uniquely related to your organization.  
  13.   
  14.   NOTE: You should also check other related properties:  
  15.   
  16.         http.robots.agents  
  17.         http.agent.description  
  18.         http.agent.url  
  19.         http.agent.email  
  20.         http.agent.version  
  21.   
  22.   and set their values appropriately.  
  23.   
  24.     
  25.   
  26.   
  27.   
  28.   http.agent.description  
  29.   this is a crawler of 8qiu  
  30.   Further description of our bot- this text is used in  
  31.   the User-Agent header.  It appears in parenthesis after the agent name.  
  32.     
  33.   
  34.   
  35.   
  36.   http.agent.url  
  37.     
  38.   A URL to advertise in the User-Agent header.  This will   
  39.    appear in parenthesis after the agent name. Custom dictates that this  
  40.    should be a URL of a page explaining the purpose and behavior of this  
  41.    crawler.  
  42.     
  43.   
  44.   
  45.   
  46.   http.agent.email  
  47.   javalover@yeah.net  
  48.   An email address to advertise in the HTTP 'From' request  
  49.    header and User-Agent header. A good practice is to mangle this  
  50.    address (e.g. 'info at example dot com') to avoid spamming.  
  51.     
  52.   
  53.   



4.启动爬虫程序 
Java代码  收藏代码
  1. /home/admin/nutch/bin/nutch crawl /home/admin/nutch/urls/ -dir /home/admin/nutch/crawl -depth 3 -topN 100  



安装Web运行环境 
1.安装tomcat,我的tomcat目录/usr/local/tomcat 

2.把nutch.1.0的war包移到webapp目录下 
Java代码  收藏代码
  1. mv nutch-1.0.jar /usr/local/tomcat/webapps/  



3.启动tomcat 
Java代码  收藏代码
  1. [root@search-test3 nutch]# /usr/local/tomcat/bin/startup.sh  
  2. Using CATALINA_BASE:   /usr/local/tomcat  
  3. Using CATALINA_HOME:   /usr/local/tomcat  
  4. Using CATALINA_TMPDIR: /usr/local/tomcat/temp  
  5. Using JRE_HOME:       /usr/local/jdk1.6.0_10  



必须要在/home/admin/nutch下敲如下命令,切记,否则它会找不到/home/admin/nutch/crawl目录 

启动完成之后,检查一下tomcat的日子:/usr/local/tomcat/logs/catalina.out 

如果一切都正常, ,就能搜索到结果了 
阅读(3945) | 评论(0) | 转发(0) |
给主人留下些什么吧!~~