Nutch 使用之锋芒初试

核心提示： Nutch 使用之锋芒初试 “工欲善其事，必先利其器，Nutch 使用之锋芒初试，”经过前文的“细解”，我们已经完成了Nutch在Windows中的安装，以供碰到相同问题的读者参考， （1）将nutch-0.7.1目录的nutch-0.7.1.war复制到resin

　　　　　　　　　　　　　　　　　　　　　　 Nutch 使用之锋芒初试
　　　　　　　　　　　　　 
　　“工欲善其事，必先利其器。”经过前文的“细解”，我们已经完成了Nutch在Windows中的安装。接下来就让我们通过锋芒初试，来亲自体验一下Nutch的强大功能吧！
　 
　　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inject、generate、fetch和updatedb等更底层的命令。 本文将以使用Nutch为笔者在CSDN处的个人专栏(http://blog.csdn.net/zjzcl)文章内容建立搜索功能为例，来讲述Intranet Crawling的基本使用方法（假设用户电脑系统已安装好JDK、Tomcat和Resin，并做过相应的环境配置）。
　 
　　1、设置Nutch的环境变量

　　在Windows系统的环境变量设置中，增加NUTCH_java_HOME变量，并将其值设为JDK的安装目录。比如笔者电脑中JDK安装于D:\j2sdk1.4.2_09，因此将NUTCH_JAVA_HOME的值设为D:\j2sdk1.4.2_09。
　 
　　2、Nutch抓取网站页面前的预备工作

　　（1）在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。笔者在此文件中写入如下内容：
　 
　　http://blog.csdn.net/zjzcl
　 
　　（2）编辑conf/crawl-urlfilter.txt文件，修改MY.DOMAIN.NAME部分:
　 
　　# accept hosts in MY.DOMAIN.NAME
　　+^http://blog.csdn.net/zjzcl
　 
　　3、运行Crawl命令抓取网站内容
　 
　　双击电脑桌面上的Cygwin图标，在命令行窗口中输入：
　 
　　cd /cygdrive/i/nutch-0.7.1
　 
　　不明白此命令含义的读者请参见前《细解》一文，然后再输入：
　 
　　bin/nutch crawl url.txt -dir crawled -depth 3 -threads 4 >& crawl.log
　 
　　等待大约2分多钟后，程序运行结束。读者会发现在nutch-0.7.1目录下被创建了一个名为crawled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，我们可以分析可能碰到的任何错误。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。
　 
　　4、使用Tomcat进行搜索测试
　 
　　（1）将tomcat\webapps下的ROOT文件夹名改成ROOT1；
　　（2）将nutch-0.7.1目录的nutch-0.7.1.war复制到tomcat\webapps下，并将其改名为ROOT；
　　（3）打开ROOT\WEB-INF\classes下的nutch-site.xml文件，修改成如下形式：
　 
　　<?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>I:/nutch-0.7.1/crawled</value>
　　　</property>
　　</nutch-conf>
　
　　其中的“<value>I:/nutch-0.7.1/crawled</value>”部分，读者应根据自己的设置进行相应修改。
　　（4）启动Tomcat，打开浏览器在地址栏中输入：http://localhost:8080，如图1所示：

点击查看大图
　　
　　在文本框中输入要害字，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" />
　　　　　　　
　　现在我们可以对中文词汇进行搜索了。如在搜索框中输入“李开复”，点击搜索按钮后，会搜索到笔者之前写的两篇文章《从李开复换门庭开启的缝隙中窥视——试探Google的几招成功“秘诀”》与《从国内首例禽流感假疫苗大案说起——有感于李开复<做最好的自己>中的诚信观》，如图2所示：
　 
点击查看大图
　 
　　假如点击show all hits按钮，则会列出更多相关的搜索结果了。　 
　 
　　5、使用Resin进行搜索测试
　 
　　由于笔者最近工作中经常使用Resin，因此在Tomcat上测试完毕后也想在Resin上测试一把，未曾想碰到了各种意想不到的情况。下面就将所碰到的问题以及解决方法列出，以供碰到相同问题的读者参考。
　 
　　（1）将nutch-0.7.1目录的nutch-0.7.1.war复制到resin-3.0.17\webapps下；
　　（2）打开resin-3.0.17\conf下的resin.conf文件，把
　 
　　<!-- configures the default host, matching any host name -->
　 
　　下面的内容改成：
　 
　　<host id="" root-Directory=".">　　　　　
　　　<web-app id="/" document-directory="webapps/nutch-0.7.1"/>
　　　<stderr-log path='logs/stderr.log' rollover-period='1W'/>
　　　<stdout-log path='logs/stdout.log' rollover-period='1W'/>
　　</host>
　 
　　（3）打开resin-3.0.17\webapps\nutch-0.7.1\WEB-INF\classes下的nutch-site.xml文件，修改成如下形式：
　 
　　<?xml version="1.0"?>
　　<?xml-stylesheet type="text/xsl" href="nutch-conf.xsl"?>