原文地址：http://my.chinaunix.net/space.php?uid=24488136&do=blog&id=64821
在書店去逛的時候，偶然看到了搜索專區的書，都是搜索引擎方面的，翻了下，感覺蠻有意思的，回來就baidu,google了下自己動手做搜索引擎，感覺開源的nutch-1.0蠻好，我就學習配置了下，遇到了一些問題，不過很快解決了。
運行環境：
|
Linux **-desktop 2.6.32-25-generic #44-Ubuntu SMP Fri Sep 17 20:26:08 UTC 2010 i686 GNU/Linux ubuntu 10.04
|
1.安裝JDK
因為ubuntu10.04自己自帶了jdk(叫做openjdk)，所以我就直接用的是自帶的jdk。可以直接去新立德軟件包里面安裝。安裝完后在/usr/lib/jvm文件夾下面你就會發現有下面3個文件夾。當然你也可以直接去下載官方最新的jdk.
|
├── default-java -> java-6-openjdk
├── java-1.6.0-openjdk -> java-6-openjdk
└── java-6-openjdk
|
2.安裝并且配置tomcat,在ubuntu10.04中，tomcat的版本是tomcat6,我還安裝了管理軟件tomcat6-admin
|
apt-get install tomcat6 tomcat6-admin
|
安裝好tomcat之后，輸入/etc/init.d/tomcat6
start啟動tomcat服務器。在瀏覽器中輸入"http://localhost:8080"，如果顯示“it
works”說明tomcat服務器正在運行。
|
It works !
If you're seeing this page via a web browser, it means you've setup Tomcat successfully. Congratulations!
This is the default Tomcat home page. It can be found on the local
filesystem at: /var/lib/tomcat6/webapps/ROOT/index.html
Tomcat6 veterans might be pleased to learn that this system instance of
Tomcat is installed with CATALINA_HOME in /usr/share/tomcat6 and
CATALINA_BASE in /var/lib/tomcat6, following the rules from
/usr/share/doc/tomcat6-common/RUNNING.txt.gz.
You might consider installing the following packages, if you haven't
already done so:
tomcat6-docs:
This package installs a web application that allows to browse the
Tomcat 6 documentation locally. Once installed, you can access it by
clicking here.
tomcat6-examples: This package
installs a web application that allows to access the Tomcat 6 Servlet
and JSP examples. Once installed, you can access it by clicking here.
tomcat6-admin: This package installs two web applications that can help managing this Tomcat instance. Once installed, you can access the manager webapp and the host-manager webapp.
NOTE: For security reasons, using the manager webapp is restricted to users with role "manager". The host-manager webapp is restricted to users with role "admin". Users are defined in /etc/tomcat6/tomcat-users.xml.
|
需要配置用戶才可以進入管理界面，修改/var/lib/tomcat6/conf/tomcat-users.xml
|
出于安全考慮，把默認的用戶tomcat刪掉了，并添加了自己的用戶，比如hinutch,添加密碼，比如3838438
<?xml version='1.0' encoding='utf-8'?>
<tomcat-users>
<role rolename="manager"/>
<role rolename="admin"/>
<user username="hinutch" password="3838438" roles="admin,manager"/>
</tomcat-users>
|
這個時候你就可以進去管理界面了，如果不行的話，重啟tomcat服務/etc/init.d/tomcat6 restart
管理界面如下：
|
Tomcat Web Application Manager
|
下載nutch-1.0.tar.gz，網址http://www.apache.org/dyn/closer.cgi/nutch/
![[ ]](http://apache.freelamp.com/icons/compressed.gif)
apache-nutch-1.2-bin.zip 25-Sep-2010 05:38 164M
![[TXT]](http://apache.freelamp.com/icons/text.gif)
apache-nutch-1.2-bin.zip.asc 25-Sep-2010 05:37 203
apache-nutch-1.2-src.tar.gz 25-Sep-2010 05:37 50M GZIP compressed document
apache-nutch-1.2-src.tar.gz.asc 25-Sep-2010 05:37 203 GZIP compressed document
apache-nutch-1.2-src.zip 25-Sep-2010 05:37 51M
apache-nutch-1.2-src.zip.asc 25-Sep-2010 05:37 203
nutch-0.9.tar.gz 05-Apr-2007 10:17 68M GZIP compressed document
nutch-0.9.tar.gz.asc 05-Apr-2007 10:17 186 GZIP compressed document
nutch-1.0.tar.gz 28-Mar-2009 04:12 83M GZIP compressed document
nutch-1.0.tar.gz.asc 28-Mar-2009 04:12 197 GZIP compressed document
解壓出來，我上面的是：
|
├── bin
├── build.xml
├── CHANGES.txt
├── conf
├── crawled
├── default.properties
├── docs
├── KEYS
├── lib
├── LICENSE.txt
├── logs
├── NOTICE.txt
├── nutch-1.0.jar
├── nutch-1.0.job
├── nutch-1.0.war
├── plugins
├── README.txt
├── src
├── url.txt（這個是自己建的）
└── webapps
|
首先在Nutch的解壓根目錄下新建一個文本文件，命名為“url.txt”（這個名字你可以隨便取）。里面放的是你需要抓取信息的網址。
|
我的解壓根目錄為/home/**/nutch-1.0,新建一個url.txt，里面輸入：
http://bbs.chinaunix.net/
|
其次更新配置文件crawl-urlfilter.txt，打開“conf/crawl-urlfilter.txt”，
|
# skip URLs with slash-delimited segment that repeats 3+ times, to break loops
-.*(/[^/]+)/[^/]+\1/[^/]+\1/
# accept hosts in MY.DOMAIN.NAME
+^http://bbs.chinaunix.net/（這個就是需要修改的，和url.txt里面內容一樣）
|
再打開nutch-site.xml文件，修改如下，
|
<?xml version="1.0"?>
<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>
<configuration>
<property>
<name>http.agent.name</name>
<value>my nutch agent</value>（紅色部分可以自己命名）
</property>
<property>
<name>http.agent.version</name>
<value>1.0</value>
</property>
</configuration>~
|
然后運行網絡蜘蛛抓緊網頁。在/home/**/nutch-1.0（即文件根目錄）輸入以下命令：
|
./bin/nutch crawl url.txt -dir crawled -depth 4 -topN 100 -threads 4
-dir = crawled 指明下載數據存放路徑，該目錄不存在時，會被自動創建
-depth = 4 下載深度為4
-topN = 100 下載符合條件的前100個頁面
-threads = 4 啟動的線程數目
|
蜘蛛運行時會輸出大量數據，抓取結束之后，可以發現crawled目錄被生成，里面有幾個目錄。
|
├── crawldb
├── index
├── indexes
├── linkdb
└── segments
|
4.在tomcat中部署nutch項目
將nutch根目錄下的nutch-1.0.war文件放置到/var/lib/tomcat6/webapps文件夾下，然后再訪問http://localhost:8080，tomcat便會將其解壓。
|
root@**-desktop:/var/lib/tomcat6/webapps# ls
nutch-1.0 nutch-1.0.war ROOT
|
nutch-1.0文件夾下包含：
|
├── anchors.jsp
├── ca
├── cached.jsp
├── cluster.jsp
├── de
├── en
├── es
├── explain.jsp
├── fi
├── fr
├── hu
├── img
├── include
├── index.jsp
├── it
├── jp
├── META-INF
├── more.jsp
├── ms
├── nl
├── pl
├── pt
├── refine-query-init.jsp
├── refine-query.jsp
├── search.jsp
├── sh
├── sr
├── sv
├── text.jsp
├── th
├── WEB-INF（要修改該文件夾下面的內容）
└── zh
|
修改此目錄下的WEB-INF/classes/nutch-site.xml，修改如下：
|
<?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>/home/**/nutch-1.0/crawled</value>
</property>
</nutch-conf>
|
上面的value要改成蜘蛛的下載目錄。
5.使用nutch搜索
在瀏覽器中輸入http://localhost:8080/nutch-1.0，出現下面的界面：
然后在搜索框里面輸入你要查找的東西，比如：linux
,會出現：
第
1-1項 (共有 1 項查詢結果):
論壇首頁 - 中國最大的Linux/Unix技術社區 - IT人的網上社區 - bbs.ChinaUnix.net
... Unix操作系統 ←
Linux論壇 RSS訂閱
... by CU管理員
Linux時代首頁 Linux
...
http://bbs.chinaunix.net/
(
網頁快照)
(
評分詳解)
(
anchors)
整個過程就完成了。
------------------------------------------------
|
過程中出現的問題 |
------------------------------------------------
1.說找不到JAVA_HOME
解決方案：修改/etc/environment文件，添加JAVA_HOME;
|
PATH="/usr/local/sbin:/usr/local/bin:/usr/sbin:/usr/bin:/sbin:/bin:/usr/games"
JAVA_HOME="/usr/lib/jvm/java-6-openjdk"
|
2.信息是抓取了，但是搜索不出來東西
解決方案：除了修改以上的東西外，有個文件還得注意下:/home/**/nutch-1.0/conf/nutch-default.xml,找到下面的部分，然后參照修改
|
<!-- searcher properties -->
<property>
<name>searcher.dir</name>
<value>/home/**/nutch-1.0/crawled</value>（一定要是存抓取信息的路徑）
<description>
|
有時候出不來結果，還得運行：
|
/etc/init.d/tomcat6 restart
|
呵呵，就這么多了！！！
posted on 2011-05-04 13:34
漂漂 閱讀(1152)
評論(0) 編輯 收藏 引用 所屬分類:
linux