NUTCH配置初體驗

nutch環境配置備忘：

1、Cygwin安裝

    我使用的是Cygwin本地安裝版，local install，並把所有組件都設爲installed即可。

2、解壓nutch

    將NUTCH-0.9解壓後複製到HOME/Administrator下，或者在Cygwin下使用gunzip命令皆可。

3、安裝JDK

    可能是我的系統最近不正常吧，我的JDK必須安裝在nutch目錄下才能找到（正確設置了環境變量，可是隻要安裝在其它位置，就找不到JDK，如果哪位能知道原因，請指教，非常感謝！）我這裏的安裝路徑是：C:\cygwin\home\Administrator\nutch-0.9\JDK

 

環境變量設置如下：

JAVA_HOME     C:\cygwin\home\Administrator\nutch-0.9\JDK

CLASS_PATH  添加 ;C:\cygwin\home\Administrator\nutch-0.9\JDK\lib

NUTCH_JAVA_HOME  C:\cygwin\home\Administrator\nutch-0.9\JDK

PATH  添加   ;C:\cygwin\home\Administrator\nutch-0.9\JDK\bin

 

4、使用爬蟲之前的準備

首先在bin目錄下新建目錄urls，在urls中新建一個文本文家nutch.txt，將要抓取的網站地址輸入，比如[url]http://www.sina.com.cn/[/url](注意最後的/一定要有)

打開conf\crawl-urlfilter.txt文件，將

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*MY.DOMAIN.NAME/

 

改爲
# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*sina.com.cn/（這裏也要有/呦）

 

打開nutch/conf/nutch-site.xml文件，修改<configuration></configuration>爲：

<configuration>
                <property>
                                <name>http.agent.name</name>
                                <value>HD nutch agent</value>
                </property>
                <property>
                                <name>http.agent.version</name>
                                <value>1.0</value>
                </property>
</configuration>    

保存

5、開始爬

進入nutch目錄，進入bin目錄

$sh nutch crawl urls -dir sina -depth 4 -threads 5 -topN 1000 >&logs/log1.log

         crawl：通知nutch.jar，執行crawl的main方法。

         urls：存放需要爬行的url.txt文件的目錄

         -dir sina 爬行後文件保存的位置

         -depth 2：爬行次數，或者成爲深度，不過還是覺得次數更貼切，建議測試時改爲1。

         -threads 指定併發的進程 這是設定爲 4
         -topN ：一個網站保存的最大頁面數。

**注意sina文件夾不能存在，會報錯

 

曾經出現的錯誤：

Generator: 0 records selected for fetching, exiting ...
Stopping at depth=0 - no more URLs to fetch.
No URLs to fetch - check your seed list and URL filters.

解決方法：在urls的nutch.txt中再添加一個URL即可，原因現在還不知道。

 

6、掛上服務器

當爬取網頁成功之後，開始配置TOMCAT

TOMCAT的安裝目錄是：C:\Program Files\Apache Software Foundation\Tomcat 5.5

 

TOMCAT_HOME   C:\Program Files\Apache Software Foundation\Tomcat 5.5

CALSSPATH 添加： %TOMECAT_HOME%\bin;

 

在服務器關閉的狀態下，刪除TOMCAT中WEBAPPS文件夾中的ROOT文件夾，將nutch-0.9.war拷貝到webapps下，改名爲ROOT.war，啓動TOMCAT，會自動解壓出ROOT文件。

修改/webapps/ROOT/WEB-INF/classes/nutch-site.xml：
將
    <configuration>
    </configuration>
    換成
    <configuration>
        <property>
            <name>searcher.dir</name>
            <value>C:\cygwin\home\Administrator\nutch-0.9\bin\dlut</value>
        </property>
    </configuration>   

爲了支持中文需要修改tomcat的配置文件,打開tomcat\conf下的server.xml文件，將其中的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" />

    注意最後一行的兩項是新加的.

利用tomcat搜索   
    重啓tomcat,在瀏覽器中輸入:http://127.0.0.1:8080
    出現nutch搜索界面,
    在搜索框中輸入java並搜索,將看到你的搜索結果

 

***曾經出現的錯誤

org.apache.jasper.JasperException: /search.jsp(151,22) Attribute value  language + "/include/header.html" is quoted with " which must be escaped when used within the value

這個錯誤困擾了我很長時間，後來在http://news.skelter.net/articles/2008/09/24/nutch-0-9-quoted-with-must-be-escaped

找到解答

解決方法是：把search.jsp的第151行改成

<jsp:include page="<%= language + \"/include/header.html\"%>"/>

就是在                            ^  添加一個\

之後就正常了。作者說可能是TOMCAT6的特殊問題，可我用TOMCAT5.5~~~不過確實解決了。

 

******************問題解決了的華麗的分割線********************

****引自http://blog.sina.com.cn/s/blog_4cc16fc50100bqxe.html****

分析：查看nutch Web應用根目錄下的search.jsp可知，是引號匹配的問題。

<jsp:include page="<%= language + "/include/header.html"%>"/>  //line 152 search.jsp

第一個引號和後面第一個出現的引號進行匹配，而不是和這一行最後一個引號進行匹配，所以問題就出現了。

解決方法：

將該行代碼修改爲：<jsp:include page="<%= language+urlsuffix %>"/>

這裏我們定一個字符串urlsuffix，我們把它定義在language字符串定義之後，

  String language =   // line 116 search.jsp
    ResourceBundle.getBundle("org.nutch.jsp.search", request.getLocale())
    .getLocale().getLanguage();
 String urlsuffix="/include/header.html";

修改完成後，爲確保修改成功，重啓一下Tomcat服務器，進行搜索，不再報錯。