Nutch2.1+mysql+solr3.6.1+中文网站抓取

1、mysql 数据库配置 linux mysql安装步骤省略。 创建数据库与表 [sql] view plaincopyprint? CREATE DATABASE nutch DEFAULT CHARACTER SET utf8 DEFAULT COLLATE utf8_general_ci; CREATE TABLE `webpage`( `id` varchar (767) CHARACTER SET latin1 NOT N

1、mysql 数据库配置

    linux mysql安装步骤省略。

    创建数据库与表 <br>

   

[sql] view plaincopyprint?

1. CREATE DATABASE nutch DEFAULT CHARACTER SET utf8 DEFAULT COLLATE utf8_general_ci;  
2.   
3.    CREATE TABLE `webpage` (  
4.   
5.        `id` varchar(767) CHARACTER SET latin1 NOT NULL,  
6.   
7.        `headers` blob,  
8.   
9.        `text` mediumtext DEFAULT NULL,  
10.   
11.        `status` int(11) DEFAULT NULL,  
12.   
13.        `markers` blob,  
14.   
15.        `parseStatus` blob,  
16.   
17.        `modifiedTime` bigint(20) DEFAULT NULL,  
18.   
19.        `score` float DEFAULT NULL,  
20.   
21.        `typ` varchar(32) CHARACTER SET latin1 DEFAULT NULL,  
22.   
23.        `baseUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,  
24.   
25.        `content` mediumblob,  
26.   
27.        `title` varchar(2048) DEFAULT NULL,  
28.   
29.        `reprUrl` varchar(512) CHARACTER SET latin1 DEFAULT NULL,  
30.   
31.        `fetchInterval` int(11) DEFAULT NULL,  
32.   
33.        `prevFetchTime` bigint(20) DEFAULT NULL,  
34.   
35.        `inlinks` mediumblob,  
36.   
37.        `prevSignature` blob,  
38.   
39.        `outlinks` mediumblob,  
40.   
41.        `fetchTime` bigint(20) DEFAULT NULL,  
42.   
43.        `retriesSinceFetch` int(11) DEFAULT NULL,  
44.   
45.        `protocolStatus` blob,  
46.   
47.        `signature` blob,  
48.   
49.        `metadata` blob,  
50.   
51.        PRIMARY KEY (`id`)  
52.   
53.    ) ENGINE=InnoDB DEFAULT CHARSET=utf8;   

<br> <br> 2、安装nutch2.1<br> A、 nutch下载地址：http://apache.etoak.com/nutch/2.1/apache-nutch-2.1-src.zip

    下载完成后家压缩， <br>

B、以下将nutch的根目录定位${APACHE_NUTCH_HOME}.

C、配置nutch对mysql的支持，修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件

    将这行的注释取消default”/>

    修改${APACHE_NUTCH_HOME}/conf/gora.properties文件，

        注释默认存储配置 <br> <br>

[html] view plaincopyprint?

1. ###############################  
2.   
3.    # Default SqlStore properties #  
4.    ###############################  
5.    #gora.sqlstore.jdbc.driver=org.hsqldb.jdbc.JDBCDriver  
6.    #gora.sqlstore.jdbc.url=jdbc:hsqldb:hsql://localhost/nutchtest  
7.    #gora.sqlstore.jdbc.user=sa  
8.    #gora.sqlstore.jdbc.password=  
9.   
10.        取消以下代码注释，  
11.   
12.    ###############################  
13.    # MySQL properties             
14.     ################################  
15.   
16.    gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver  
17.   
18.    gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true  
19.   
20.    gora.sqlstore.jdbc.user=xxxxx（mysql用户名）  
21.   
22.    gora.sqlstore.jdbc.password=xxxxx（mysql密码）  

<br> <br>

<br>

       D、修改${APACHE_NUTCH_HOME}/conf/nutch-site.xml 加入如下代码：

[html] view plaincopyprint?

1. property>  
2.   
3. name>http.agent.namename>  
4.   
5. value>Your Nutch Spidervalue>  
6.   
7. property>  
8.   
9. property>  
10.   
11. name>http.accept.languagename>  
12.   
13. value>ja-jp, en-us,en-gb,en;q=0.7,*;q=0.3value>  
14.   
15. description>Value of the “Accept-Language” request header field.  
16.   
17. This allows selecting non-English language as default one to retrieve.  
18.   
19. It is a useful setting for search engines build for certain national group.  
20.   
21. description>  
22.   
23. property>  
24.   
25. property>  
26.   
27. name>parser.character.encoding.defaultname>  
28.   
29. value>utf-8value>  
30.   
31. description>The character encoding to fall back to when no other information  
32.   
33. is availabledescription>  
34.   
35. property>  
36.   
37. property>  
38.   
39. name>storage.data.store.classname>  
40.   
41. value>org.apache.gora.sql.store.SqlStorevalue>  
42.   
43. description>The Gora DataStore class for storing and retrieving data.  
44.   
45. Currently the following stores are available: ….  
46.   
47. description>  
48.   
49. property>  

<br> <br>

E、使用ant编译  ${APACHE_NUTCH_HOME} 。

<br>

F、设置待抓取的网站

    cd ${APACHE_NUTCH_HOME}/runtime/local <br>     mkdir -p urls <br>     echo 'http://nutch.apache.org/' > urls/seed.txt

G、执行爬行操作： bin/nutch crawl urls -depth 3 -topN 5

    执行完在mysql中即可以查看到爬虫抓取的内容

<br>

3、安装solr，对nutch抓取的内容进行索引

    （注意：参考资料中推荐使用solr4.0版本，4.0的两个版本我都试了，没有成功，所以替换为3.6.1版本） <br>

     solr下载地址：http://www.fayea.com/apache-mirror/lucene/solr/3.6.1/apache-solr-3.6.1.zip

<br>

    A、解压缩下载包，

    B、下载  http://nlp.solutions.asia/wp-content/uploads/2012/08/schema.xml替换${APACHE_SOLR_HOME}/example/solr/conf/schema.xml.

    C、启动solr 

        cd ${APACHE_SOLR_HOME}/example

    java -jar start.jar

    <strong>D</strong>、在浏览器输入地址http://localhost:8983/solr  测试是否启动成功。

        E、另起linux终端，输入如下命令，使solr对nutch抓取内容进行索引。<br>

            cd ${APACHE_NUTCH_HOME}/runtime/local/

      bin/nutch solrindex http://127.0.0.1:8983/solr/ -reindex

4、测试

    在浏览器输入   http://localhost:8983/solr  ，看到如下界面：

<br> <br>

在文本框中输入 content:nutch 点击查询，便可查处内容中包含nutch关键字的网页