最近公司需要搭建一个搜索引擎,于是就发现了apache旗下的这个nutch,也看了不少的文章,就在本地搭建了一个进行测试,发现局域网抓取还是比较好的,但是在互联网抓取还是有点问题,像百度、谷歌这些站点的页面基本就抓不到上信息,不知道是配置问题还是其他问题,希望有知道的朋友联系我,谢谢.

nutch搜索引擎的搭建以及配置

实验环境:

vmware 6.0

redhat 5.1

软件环境

apache-tomcat-6.0.29.tar.gz

nutch-1.0.tar.gz

jdk-6u21-linux-i586.bin

nutchg简介

Nutch的爬虫抓取网页有两种方式，一种方式是Intranet Crawling，针对的是企业内部网或少量网站，使用的是crawl命令；另一种方式是Whole-web crawling，针对的是整个互联网，使用inject、generate、fetch和updatedb等更底层的命令.本文档介绍Intranet Crawling的基本使用方法.

安装jdk

# cp jdk-6u21-linux-i586.bin /usr/java

# cd /usr/java

# chmod +x jdk-6u21-linux-i586.bin

# ./ jdk-6u21-linux-i586

# vi /etc/profile //添加如下的java环境变量

JAVA_HOME=/usr/java/jdk1.6.0_21

export JAVA_HOME

PATH=$JAVA_HOME/bin:$PATH

export PATH

CLASSPATH=$JAVA_HOME/lib/tools.jar:$JAVA_HOME/lib/dt.jar:$CLASSPATH

export CLASSPATH

# source /etc/profile //让java环境变量立即生效

# java -version //测试java环境是否正常,返回版本信息,就表示jdk安装没有问题

安装tomcat

# tar zxvf apache-tomcat-6.0.29.tar.gz -C /usr/local

# cd /usr/local/

# mv apache-tomcat-6.0.29 tomcat

安装nutch

# tar zxvf nutch-1.0.tar.gz -C /usr/local

# cd /usr/local

# mv nutch-1.0 nutch

# cd nutch

设置Nutch的环境变量

增加NUTCH_JAVA_HOME变量，并将其值设为JDK的安装目录

NUTCH_JAVA_HOME=/usr/java/jdk1.6.0_21

export NUTCH_JAVA_HOME

Nutch抓取网站页面前的准备工作

在Nutch的安装目录中建立一个名为url.txt的文本文件,文件中写入要抓取网站的顶级网址，即要抓取的起始页.

这里写入国内比较有名的站点

编辑conf/crawl-urlfilter.txt文件，修改MY.DOMAIN.NAME部分:

　　# accept hosts in MY.DOMAIN.NAME

　　+^http://([a-z0-9]*\.)*com/

+^http://([a-z0-9]*\.)*cn/

+^http://([a-z0-9]*\.)*net/

解决搜索动态内容的问题
需要注意在conf下面的2个文件：regex-urlfilter.txt，crawl-urlfilter.txt

# skip URLs containing certain characters as probable queries, etc.

-[?*!@=]
这段意思是跳过在连接中存在? * ! @ = 的页面，因为默认是跳过所以,在动态页中存在?一般

按照默认的是不能抓取到的.可以在上面2个文件中都修改成：

# skip URLs containing certain characters as probable queries, etc.
# -[?*!@=] //前面加上注释.

另外增加允许的一行

# accept URLs containing certain characters as probable queries, etc.

+[?=&]
意思是抓取时候允许抓取连接中带 ? = & 这三个符号的连接

注意：两个文件都需要修改，因为NUTCH加载规则的顺序是crawl-urlfilter.txt->

regex-urlfilter.txt

编辑conf/nutch-site.xml文件,在configuration中间加入一下内容

<name>http.agent.name</name>

<value>sxit nutch agent</value>

</property>

<name>http.agent.version</name>

</property>

运行Crawl命令抓取网站内容

/usr/local/nutch/bin/nutch crawl /usr/local/nutch/url.txt -dir /usr/local/nutch/sxit -depth 3 -threads 4 >& /usr/loca/nutch/crawl.log

等待大约一段时间后,程序运行结束.会发现在nutch目录下被创建了一个名为sxit的文件夹,同时还生成一个名为crawl.log的日志文件.利用这一日志文件,我们可以分析可能遇到的任何错误.另外,在上述命令的参数中,dir指定抓取内容所存放的目录,depth表示以要抓取网站顶级网址为起点的爬行深度,threads指定并发的线程数.

使用Tomcat进行搜索测试

将nutch目录的nutch-1.0.war复制到tomcat\webapps下,这里需要启动下tomcat,然后就在webapps下面生成一个nutch-1.0的文件夹,打开 nutch-1.0\WEB-INF\classes下的nutch-site.xml文件,

//由于这里是最新的版本,原来这个配置文件的内容都删掉,添加如下的内容

　　<?xml version="1.0"?>

　　<?xml-stylesheet type="text/xsl" href="nutch-conf.xsl"?>

<nutch-conf>
　　　<property>

　　　　<name>searcher.dir</name>

　　　　<value>/usr/local/nutch/sxit</value> //这里为刚才抓取内容所存放的目录
　　　</property>

　　</nutch-conf>

启动Tomcat，打开浏览器在地址栏中输入：

nutch的分页功能

# cd /usr/local/apache-tomcat-6.0.29/ webapps/nutch-1.0

# vi search.jsp

查找int hitsPerSite 把=后面的值改成0,

然后在这个jsp文件的末尾增加如下的代码:

<table align="center">
            <tr>
            <td>
                    <%
                        if (start >= hitsPerPage) // more hits to show
                        {

                    %>
                    <form name="pre" action="../search.jsp" method="get">
                        <input type="hidden" name="query" value="<%=htmlQueryString%>">
                        <input type="hidden" name="lang" value="<%=queryLang%>">
                        <input type="hidden" name="start" value="<%=start - hitsPerPage%>">
                        <input type="hidden" name="hitsPerPage" value="<%=hitsPerPage%>">
                        <input type="hidden" name="hitsPerSite" value="<%=hitsPerSite%>">
                        <input type="hidden" name="clustering" value="<%=clustering%>">
                        <input type="submit" value="上一页">

<%} %>

</form>

int startnum=1;//页面中最前面的页码编号，我设定（满足）共10页，当页为第6页

if((int)(start/hitsPerPage)>=5)

startnum=(int)(start/hitsPerPage)-4;

for(int i=hitsPerPage*(startnum-1),j=0;i<=hits.getTotal()&&j<=10;)

{

<td>

</form>

</td>

i=i+10; //这里的10是分页显示页面数

j++;

}

<td>

if ((hits.totalIsExact() && end < hits.getTotal()) // more hits to show

|| (!hits.totalIsExact() && (hits.getLength() > start

+ hitsPerPage))) {

<input type="submit" value="<i18n:message key="next"/>">//下一页

</form>

<%} %>

</td>

</tr>

</table>

由于每次都要进行增量抓取,就搞了一个增量抓取的脚本,代码如下:

#!/bin/sh

depth=5

threads=5

RMARGS="-rf"

MVARGS="--verbose"

safe=yes

NUTCH_HOME=/usr/local/nutch

CATALINA_HOME=/usr/local/apache-tomcat-6.0.29

if [ -z "$NUTCH_HOME" ]

then

echo runbot: $0 could not find environment variable NUTCH_HOME

echo runbot: NUTCH_HOME=$NUTCH_HOME has been set by the script

else

echo runbot: $0 found environment variable NUTCH_HOME=$NUTCH_HOME

if [ -z "$CATALINA_HOME" ]

then

echo runbot: $0 could not find environment variable NUTCH_HOME

echo runbot: CATALINA_HOME=$CATALINA_HOME has been set by the script

else

echo runbot: $0 found environment variable CATALINA_HOME=$CATALINA_HOME

if [ -n "$topN" ]

then

topN="-topN $topN"

else

topN=""

steps=8

echo "----- Inject (Step 1 of $steps) -----"

$NUTCH_HOME/bin/nutch inject $NUTCH_HOME/sxit/crawldb $NUTCH_HOME/url.txt

echo "----- Generate, Fetch, Parse, Update (Step 2 o $steps) -----"

for((i=0; i <= $depth; i++))

echo "--- Beginning crawl at depth `expr $i + 1` of $depth ---"

$NUTCH_HOME/bin/nutch generate $NUTCH_HOME/sxit/crawldb $NUTCH_HOME/sxit/segments

if [ $? -ne 0 ]

then

echo "runbot: Stopping at depth $depth. No more URLs to fetcfh."

break

segment=`ls -d $NUTCH_HOME/sxit/segments/* | tail -1`

$NUTCH_HOME/bin/nutch fetch $segment -threads $threads

if [ $? -ne 0 ]

then

echo "runbot: fetch $segment at depth `expr $i + 1` failed."

echo "runbot: Deleting segment $segment."

rm $RMARGS $segment

continue

$NUTCH_HOME/bin/nutch updatedb $NUTCH_HOME/sxit/crawldb $segment

done

echo "----- Merge Segments (Step 3 of $steps) -----"

$NUTCH_HOME/bin/nutch mergesegs $NUTCH_HOME/sxit/MERGEDsegments $NUTCH_HOME/sxit/segments/*

mv $MVARGS $NUTCH_HOME/sxit/segments $NUTCH_HOME/sxit/BACKUPsegments

mkdir $NUTCH_HOME/sxit/segments

mv $MVARGS $NUTCH_HOME/sxit/MERGEDsegments/* $NUTCH_HOME/sxit/segments

rm $RMARGS $NUTCH_HOME/sxit/MERGEDsegments

echo "----- Invert Links (Step 4 of $steps) -----"

$NUTCH_HOME/bin/nutch invertlinks $NUTCH_HOME/sxit/linkdb $NUTCH_HOME/sxit/segments/*

echo "----- Index (Step 5 of $steps) -----"

$NUTCH_HOME/bin/nutch index $NUTCH_HOME/sxit/NEWindexes $NUTCH_HOME/sxit/crawldb $NUTCH_HOME/sxit/linkdb $NUTCH_HOME/sxit/segments/*

echo "----- Dedup (Step 6 of $steps) -----"

$NUTCH_HOME/bin/nutch dedup $NUTCH_HOME/sxit/NEWindexes

echo "----- Merge Indexes (Step 7 of $steps) -----"

$NUTCH_HOME/bin/nutch merge $NUTCH_HOME/sxit/NEWindex $NUTCH_HOME/sxit/NEWindexes

echo "----- Loading New Index (Step 8 of $steps) -----"

tom_pid=`ps aux |awk '/usr\/local\/apache-tomcat-6.0.29/ {print $2}'`

`kill -9 $tom_pid`

if [ "$safe" != "yes" ]

then

rm $RMARGS $NUTCH_HOME/sxit/NEWindexes

rm $RMARGS $NUTCH_HOME/sxit/index

else

mv $MVARGS $NUTCH_HOME/sxit/NEWindexes $NUTCH_HOME/sxit/indexes

mv $MVARGS $NUTCH_HOME/sxit/NEWindex $NUTCH_HOME/sxit/index

${CATALINA_HOME}/bin/startup.sh

echo "runbot: FINISHED: Crawl completed!"

echo ""

本文转自wiliiwin 51CTO博客，原文链接:

http://blog.51cto.com/wiliiwin/372749