Nutch是一個應用程序，以Lucene為基礎實現(xiàn)的搜索引擎應用，Lucene為Nutch 提供了文本搜索和索引的API，Nutch不僅提供搜索，而且還有數(shù)據(jù)抓取的功能。

1）linux下nutch集成mysql編譯

預先部署ubuntu+jdk+tomcat+mysql，配置mysql的配置文件my.ini為：

[mysqld]下添加skip-grant-tables和character-set-server=utf8

[mysql]、[client]下添加default-character-set=utf8

根據(jù)nutch的conf文件gora-sql-mapping創(chuàng)建數(shù)據(jù)庫和數(shù)據(jù)表。也可通過自動方式生成數(shù)據(jù)庫和表：配置gora-sql-mapping、gora.properties及其它文件后，首次運行bin/nutch inject urls即可自動生成數(shù)據(jù)庫和表。

重啟mysql服務。

第一步：下載解壓

官網(wǎng)http://nutch.apache.org/下載apache-nutch-2.2-src.tar.gz版本。

#tar –xzvfapache-nutch-2.2-src.tar.gz

#cp-Rapache-nutch-2.2 /usr/nutch

#cd/usr/nutch

第二步：配置nutch對mysql的支持

#vi ivy/ivy.xml?? //啟用mysql數(shù)據(jù)庫

取消下面兩行注釋：

<dependencyorg="mysql" name="mysql-connector-java"rev="5.1.18" conf="*->default"/>

<dependencyorg="org.apache.gora" name="gora-sql"rev="0.1.1-incubating" conf="*->default" />

修改下行的rev值：原rev="0.3" 改成 rev="0.2.1"

<dependencyorg="org.apache.gora" name="gora-core" rev="0.3"conf="*->default" />

#viconf/gora.properties?? //設置mysql連接

注釋掉默認的數(shù)據(jù)庫連接配置，同時添加以下內容：

###############################

# MySQLproperties??????????

?################################

gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver

gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true

gora.sqlstore.jdbc.user=root

gora.sqlstore.jdbc.password=123

#viconf/nutch-site.xml? //修改配置文件

configuration節(jié)點增加如下內容：

<property>

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

<value>Nutch</value>

</property>

<property>

<name>http.accept.language</name>

<value>ja-jp,en-us,en-gb,en;q=0.7,*;q=0.3</value>

<description>Valueof the “Accept-Language” request header field.

This allowsselecting non-English language as default one to retrieve.

It is auseful setting for search engines build for certain national group.

</description>

</property>

<property>

<name>parser.character.encoding.default</name>

<value>utf-8</value>

<description>Thecharacter encoding to fall back to when no other information

isavailable</description>

</property>

<property>

<name>storage.data.store.class</name>

<value>org.apache.gora.sql.store.SqlStore</value>

<description>TheGora DataStore class for storing and retrieving data.

Currentlythe following stores are available: ….

</description>

</property>

<property>

<name>generate.batch.id</name>

<value>*</value>

</property>

第三步：nutch根目錄下編譯

#apt-getinstall ant??? //安裝ant

#ant? runtime //ant編譯，持續(xù)時間很長

編譯后新增runtime目錄。

第四步：網(wǎng)頁抓取

進入runtime/local目錄，使用Crawl命令抓取網(wǎng)頁。

#mkdir -purls

#echo'http://www.oschina.net/' >urls/seed.txt

#bin/nutchcrawl urls -depth 3 -topN 5

執(zhí)行完到mysql中查看結果。

mysql>select baseUrl from webpage;//默認數(shù)據(jù)庫是nutch

+---------------------+

|baseUrl???????????? |

+---------------------+

|http://www.163.com/ |

| NULL??????????????? |

+---------------------+

2 rows inset (0.00 sec)

2）eclipse集成nutch

Windows環(huán)境下配置elicpse集成nutch開發(fā)。

用ant命令將項目轉換成eclipse項目，參考：

http://wiki.apache.org/nutch/RunNutchInEclipse

為避免編譯，直接下載有bin包的nutch版本，apache-nutch-1.6-src.zip和apache-nutch-1.6-bin.zip兩個包。

第一步：建立工程

新建Java Project工程，命名為nutch。

復制?nutch-1.6-src 包下 java 包里的org整個包放在 項目的src包下。

復制?nutch-1.6-bin包里的conf 文件夾至項目的src包下。在conf 目錄右鍵，BuildPath ->Use as Source Folder。

復制nutch-1.6-bin 包里的 lib包下的所有jar包至項目目錄下。將lib下的jar包手動在Bulid Path里引入，Libraries->Add JARS內添加。

復制?nutch-1.6-bin 包下的 plugins 文件夾整個放在項目的 src 包下。

第二步：工程執(zhí)行

conf/nutch-site.xml配置

<property>

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

<value>Nutch-demo</value>

</property>

<property>

<name>plugin.folders</name>

<value>./src/plugins</value>

</property>

工程下新建urls目錄，下新建seed.txt，輸入幾個網(wǎng)址。

在src包下找到Crawl.java 文件

Runas ->Run Configuration ->Arguments

Programarguments輸入：crawlurls -dir out -threads 20 -depth 2

VMarguments輸入：-Xms32m -Xmx800m（注：這是設置內存大小，如果不設置會導致內存溢出異常）

上網(wǎng)下載Hadoop-core-1.2.1，用來替換Nutch1.7在windows下執(zhí)行因權限報錯的問題，替換掉原來的Hadoop-core-1.03.jar。

下載地址：http://download.csdn.net/detail/leave00608/7060765

配置執(zhí)行Run。執(zhí)行后，看到工程目錄下out文件夾，Hadoop存儲。為了開發(fā)方便需要集成mysql，部署高版本的nutch。

3）eclipse集成nutch和mysql開發(fā)

下載apache-nutch-2.2-src.zip包，linux下ant編譯后apache-nutch-2.2-bin文件夾（集成mysql）。

第一步：新建工程nutch

復制?nutch-2.2-bin下src/ java 目錄下org到項目src包下。

復制?nutch-2.2-bin下conf到項目src包下，并conf 目錄右鍵，BuildPath ->Use as Source Folder。

復制nutch-2.2-bin下runtime/local目錄lib到項目目錄下，將所有jar包手動在BulidPath里引入，Libraries->Add JARS內添加。

復制?nutch-2.2-bi下的 runtime/local目錄plugins 到項目src包下，并BuildPath ->Use as Source Folder。

第二步：執(zhí)行工程

啟動myql并檢查conf/gora.properties文件夾內mysql配置的信息。

conf/nutch-site.xml新增

<property>

<name>plugin.folders</name>

<value>./src/plugins</value>

</property>

工程下新建urls目錄并在其目錄下新建urls.txt，輸入幾個網(wǎng)址。

Hadoop權限問題：Hadoop-core-1.2.1替換nutch2.2中的Hadoop-core-1.1.1包。

在src包下找到Crawl.java 文件

Runas ->Run Configuration ->Arguments

Programarguments輸入：crawlurls -dir out -threads 20 -depth 2

VMarguments輸入：-Xms32m -Xmx800m

執(zhí)行后查看mysql

mysql>select baseUrl from webpage;//默認數(shù)據(jù)庫是nutch

下面就是具體在eclipse中應用nutch開發(fā)，并存儲在mysql中。

總結

以上是生活随笔為你收集整理的Nutch编译及集成eclipse+mysql开发环境的部署总结的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內容還不錯，歡迎將生活随笔推薦給好友。