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injectgeneratefetchupdatedb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     //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

 

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.txtcrawl-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,configuration中间加入一下内容

 

    <property>

        <name>http.agent.name</name>

        <value>sxit  nutch agent</value>

    </property>

    <property>

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

        <value>1.0</value>

    </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

 

nutch目录的nutch-1.0.war复制到tomcat\webapps,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"?>

  <!-- Put site-specific property overrides in this file. -->

<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:http://IP:8080,/nutch-1.0,就可以看到搜索页面了.、
在文本框中输入关键字,就可以进行搜索了.不过用户在使用时会发现,对于英文单词的搜索一切正常,而当要搜索中文词语时会出现乱码.其实这个问题是Tomcat设置的问题,解决办法是修改tomcat\conf下的server.xml文件,将其中的Connector部分改成如下形式即可:
   
  <Connector port="8080" maxThreads="150" minSpareThreads="25" maxSpareThreads="75"
               enableLookups="false" redirectPort="8443" acceptCount="100"
               connectionTimeout="20000" disableUploadTimeout="true" 
               URIEncoding="UTF-8" useBodyEncodingForURI="true" />

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 =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
                    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 name="next" 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="<%=i%>">
                        <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="<%=i/hitsPerPage+1 %>">
                    </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))) {
                    %>
                   
                    <form name="next" 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="<%=end%>">
                        <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="<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:

 

  1. #!/bin/sh     
  2.     
  3. depth=5    
  4. threads=5     
  5. RMARGS="-rf"    
  6. MVARGS="--verbose"       
  7. safe=yes     
  8.  
  9. NUTCH_HOME=/usr/local/nutch            
  10.  
  11. CATALINA_HOME=/usr/local/apache-tomcat-6.0.29  
  12.     
  13. if [ -z "$NUTCH_HOME" ]     
  14. then     
  15.   echo runbot: $0 could not find environment variable NUTCH_HOME     
  16.   echo runbot: NUTCH_HOME=$NUTCH_HOME has been set by the script      
  17. else    
  18.   echo runbot: $0 found environment variable NUTCH_HOME=$NUTCH_HOME      
  19. fi     
  20.        
  21. if [ -z "$CATALINA_HOME" ]     
  22. then     
  23.   echo runbot: $0 could not find environment variable NUTCH_HOME     
  24.   echo runbot: CATALINA_HOME=$CATALINA_HOME has been set by the script      
  25. else    
  26.   echo runbot: $0 found environment variable CATALINA_HOME=$CATALINA_HOME      
  27. fi     
  28.  
  29. if [ -n "$topN" ]     
  30. then     
  31.   topN="-topN $topN"    
  32. else    
  33.   topN=""    
  34. fi    
  35.  
  36. steps=8  
  37.  
  38. echo "----- Inject (Step 1 of $steps) -----"    
  39. $NUTCH_HOME/bin/nutch inject $NUTCH_HOME/sxit/crawldb $NUTCH_HOME/url.txt     
  40.     
  41.     
  42. echo "----- Generate, Fetch, Parse, Update (Step 2 o $steps) -----"    
  43. for((i=0; i <= $depth; i++))     
  44. do    
  45.   echo "--- Beginning crawl at depth `expr $i + 1` of $depth ---"    
  46.   $NUTCH_HOME/bin/nutch generate $NUTCH_HOME/sxit/crawldb  $NUTCH_HOME/sxit/segments   
  47.   if [ $? -ne 0 ]     
  48.   then     
  49.     echo "runbot: Stopping at depth $depth. No more URLs to fetcfh."    
  50.     break    
  51.   fi     
  52.   segment=`ls -d $NUTCH_HOME/sxit/segments/* | tail -1`    
  53.  
  54.   $NUTCH_HOME/bin/nutch fetch $segment -threads $threads     
  55.   if [ $? -ne 0 ]     
  56.   then     
  57.     echo "runbot: fetch $segment at depth `expr $i + 1` failed."    
  58.     echo "runbot: Deleting segment $segment."    
  59.     rm $RMARGS $segment     
  60.     continue    
  61.   fi     
  62.  
  63.   $NUTCH_HOME/bin/nutch updatedb $NUTCH_HOME/sxit/crawldb  $segment     
  64. done     
  65.     
  66. echo "----- Merge Segments (Step 3 of $steps) -----"       
  67. $NUTCH_HOME/bin/nutch mergesegs $NUTCH_HOME/sxit/MERGEDsegments $NUTCH_HOME/sxit/segments/*     
  68.        
  69. mv $MVARGS $NUTCH_HOME/sxit/segments $NUTCH_HOME/sxit/BACKUPsegments     
  70. mkdir $NUTCH_HOME/sxit/segments     
  71. mv $MVARGS $NUTCH_HOME/sxit/MERGEDsegments/* $NUTCH_HOME/sxit/segments     
  72. rm $RMARGS $NUTCH_HOME/sxit/MERGEDsegments     
  73.    
  74. echo "----- Invert Links (Step 4 of $steps) -----"    
  75. $NUTCH_HOME/bin/nutch invertlinks $NUTCH_HOME/sxit/linkdb $NUTCH_HOME/sxit/segments/*     
  76.      
  77. echo "----- Index (Step 5 of $steps) -----"    
  78. $NUTCH_HOME/bin/nutch index $NUTCH_HOME/sxit/NEWindexes $NUTCH_HOME/sxit/crawldb $NUTCH_HOME/sxit/linkdb $NUTCH_HOME/sxit/segments/*      
  79.  
  80. echo "----- Dedup (Step 6 of $steps) -----"    
  81. $NUTCH_HOME/bin/nutch dedup $NUTCH_HOME/sxit/NEWindexes     
  82.     
  83. echo "----- Merge Indexes (Step 7 of $steps) -----"    
  84. $NUTCH_HOME/bin/nutch merge $NUTCH_HOME/sxit/NEWindex $NUTCH_HOME/sxit/NEWindexes     
  85.       
  86. echo "----- Loading New Index (Step 8 of $steps) -----"    
  87. tom_pid=`ps aux |awk '/usr\/local\/apache-tomcat-6.0.29/ {print $2}'`  
  88. `kill -9 $tom_pid`  
  89.      
  90.      
  91. if [ "$safe" != "yes" ]     
  92. then     
  93.   rm $RMARGS $NUTCH_HOME/sxit/NEWindexes     
  94.   rm $RMARGS $NUTCH_HOME/sxit/index 
  95. else    
  96.   mv $MVARGS $NUTCH_HOME/sxit/NEWindexes $NUTCH_HOME/sxit/indexes  
  97.   mv $MVARGS $NUTCH_HOME/sxit/NEWindex   $NUTCH_HOME/sxit/index     
  98. fi   
  99.  
  100. ${CATALINA_HOME}/bin/startup.sh     
  101.     
  102. echo "runbot: FINISHED: Crawl completed!"    
  103. echo ""