Nutch2.2.1介绍及用法
这篇文章主要讲解了“ Nutch2.2.1介绍及用法”,文中的讲解内容简单清晰,易于学习与理解,下面请大家跟着小编的思路慢慢深入,一起来研究和学习“ Nutch2.2.1介绍及用法”吧!
网站建设哪家好,找创新互联!专注于网页设计、网站建设、微信开发、小程序制作、集团企业网站建设等服务项目。为回馈新老客户创新互联还提供了交口免费建站欢迎大家使用!
1. Nutch介绍
Nutch是一个开源的网络爬虫项目,更具体些是一个爬虫软件,可以直接用于抓取网页内容。
现在Nutch分为两个版本,1.x和2.x。1.x最新版本为1.7,2.x最新版本为2.2.1。两个版本的主要区别在于底层的存储不同。
1.x版本是基于Hadoop架构的,底层存储使用的是HDFS,而2.x通过使用Apache Gora,使得Nutch可以访问HBase、Accumulo、Cassandra、MySQL、DataFileAvroStore、AvroStore等NOSQL。
2. 编译Nutch
Nutch2.x从1.7版本开始不再提供完整的部署文件,只提供源代码文件及相关的build.xml文件,这就要求用户自己编译Nutch,而整个Nutch3.x版本都不提供编译完成的文件,所以想要学习Nutch3.2.1的功能,就必须自己手动编译文件。
2.1 下载解压
$ wget http://archive.apache.org/dist/nutch/2.2.1/apache-nutch-2.2.1-src.tar.gz $ tar zxf apache-nutch-2.2.1-src.tar.gz
2.2 编译
$ cd apache-nutch-2.2.1 $ ant
有可能你会得到如下错误:
Trying to override old definition of task javac [taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found. ivy-probe-antlib: ivy-download: [taskdef] Could not load definitions from resource org/sonar/ant/antlib.xml. It could not be found.
解决办法:
下载sonar-ant-task-2.1.jar,将其拷贝到apache-nutch-2.2.1目录下面
修改build.xml,引入上面添加的jar包:
Nutch使用ivy进行构建,故编译需要很长时间,如果编译时间过长,建议修改maven仓库地址,修改方法:
通过用http://mirrors.ibiblio.org/maven2/替换ivy/下ivysettings.xml中的http://repo1.maven.org/maven2/来解决。代码位置为:
编译之后的目录如下:
➜ apache-nutch-2.2.1 tree -L 1 . ├── CHANGES.txt ├── LICENSE.txt ├── NOTICE.txt ├── README.txt ├── build ├── build.xml ├── conf ├── default.properties ├── docs ├── ivy ├── lib ├── runtime ├── sonar-ant-task-2.1.jar └── src 7 directories, 7 files
可以看到编译之后多了两个目录:build和runtime
3. 修改配置文件
由于Nutch3.x版本存储采用Gora访问Cassandra、HBase、Accumulo、Avro等,需要在该文件中制定Gora属性,比如指定默认的存储方式gora.datastore.default= org.apache.gora.hbase.store.HBaseStore,该属性的值可以在nutch-default.xml中查找storage.data.store.class属性取得,在不做gora.properties文件修改的情况下,存储类为org.apache.gora.memory.store.MemStore,该类将数据存储在内存中,仅用于测试目的。
这里,将其存储方式改为HBase,请参考 http://wiki.apache.org/nutch/Nutch3Tutorial。
修改 conf/nutch-site.xml
storage.data.store.class org.apache.gora.hbase.store.HBaseStore Default class for storing data
修改 ivy/ivy.xml
default" />
修改 conf/gora.properties,确保HBaseStore被设置为默认的存储,
gora.datastore.default=org.apache.gora.hbase.store.HBaseStore
因为这里用到了HBase,故还需要一个HBase环境,你可以使用Standalone模式搭建一个HBase环境,请参考 HBase Quick Start。需要说明的时,目前HBase的版本要求为 hbase-0.90.4。
4. 集成Solr
由于建索引的时候需要使用Solr,因此我们需要安装并启动一个Solr服务器。
4.1 下载,解压
$ wget http://mirrors.cnnic.cn/apache/lucene/solr/4.8.0/solr-4.8.0.tgz $ tar -zxf solr-4.8.0.tgz
4.2 运行Solr
$ cd solr-4.8.0/example $ java -jar start.jar
验证是否启动成功
用浏览器打开 http://localhost:8983/solr/admin/,如果能看到页面,说明启动成功。
4.3 修改Solr配置文件
将apache-nutch-2.2.1/conf/schema-solr4.xml拷贝到solr-4.8.0/solr/collection1/conf/schema.xml,并在
重启Solr,
# Ctrl+C to stop Solr $ java -jar start.jar
5. 抓取数据
编译后的脚本在 runtime/local/bin 目录下,可以运行命令查看使用方法:
crawl命令:
$ cd runtime/local/bin $ ./crawl Missing seedDir : crawl
nutch命令:
$ ./nutch Usage: nutch COMMAND where COMMAND is one of: inject inject new urls into the database hostinject creates or updates an existing host table from a text file generate generate new batches to fetch from crawl db fetch fetch URLs marked during generate parse parse URLs marked during fetch updatedb update web table after parsing updatehostdb update host table after parsing readdb read/dump records from page database readhostdb display entries from the hostDB elasticindex run the elasticsearch indexer solrindex run the solr indexer on parsed batches solrdedup remove duplicates from solr parsechecker check the parser for a given url indexchecker check the indexing filters for a given url plugin load a plugin and run one of its classes main() nutchserver run a (local) Nutch server on a user defined port junit runs the given JUnit test or CLASSNAME run the class named CLASSNAME Most commands print help when invoked w/o parameters.
接下来可以抓取网页了。
感谢各位的阅读,以上就是“ Nutch2.2.1介绍及用法”的内容了,经过本文的学习后,相信大家对 Nutch2.2.1介绍及用法这一问题有了更深刻的体会,具体使用情况还需要大家实践验证。这里是创新互联,小编将为大家推送更多相关知识点的文章,欢迎关注!
新闻名称:Nutch2.2.1介绍及用法
链接URL:http://pwwzsj.com/article/gggegp.html