nutch分布式搭建

一、下载安装文件

1、下载目前最新版本 nutch-1.0：http://lucene.apache.org/nutch

2、下载tomcat6.0:http://tomcat.apache.org

3、解压下载的两个压缩文件到 /home/java

二、配置文件

1、修改conf/hadoop-site.xml （配置文件和前面的hadoop-0.20.2不一样，这里的版本0.19.1不够先进）

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>



<!-- Put site-specific property overrides in this file. -->



<configuration>



<property>

<name>fs.default.name</name>

<value>hdfs://home0.hadoop:9000</value>

</property>



<property>

<name>mapred.job.tracker</name>

<value>home0.hadoop:9001</value>

</property>



<property>

<name>dfs.name.dir</name>

<value>/home/lighttpd/hadoopfs/name_0,/home/lighttpd/hadoopfs/name_1</val       ue>

<description>Determines where on the local filesystem the DFS name node

should store the name table. If this is a comma-delimited list of        directories

then the name table is replicated in all of the directories,

for redundancy.

</description>

</property>



<property>

<name>dfs.data.dir</name>

<value>/home/lighttpd/hadoopfs/data_0,/home/lighttpd/hadoopfs/data_1</val       ue>

<description>

Determines where on the local filesystem an DFS data node

should store its blocks. If this is a comma-delimited list of dir       ectories,

then data will be stored in all named directories, typically on d       ifferent devices.

Directories that do not exist are ignored.

</description>

</property>





</configuration>

 2、修改 JAVA_HOME变量指向

    在这个文件中hadoop-env.sh修改，前面配置hadoop已经讲过了。

4、设定主从节点
    修改 conf/masters 文件，将其中的 localhost 改为 home0.hadoop 。

    修改 conf/slaves 文件。 删掉其中的localhost, 将我们的另两台机器 home1.hadoop、home2.hadoop 加入, 注意每个机器一行。

    masters里面的是主机节点，slaves里面是从机节点。

5、同样的配置拷贝到其他两台机器上去

scp -r nutch1.0 home1.hadoop:/home/yourname/

 注意：可能您每台机器的JAVA安装位置不一样，记得修改conf/hadoop-env.sh,设置export JAVA_HOME=正确路径

三、启动hadoop服务

1、 格式化一个新的分布式文件系统

bin/hadoop namenode -format

 2、 启动hadoop进程

$ bin/start-all.sh

四、抓取、建立索引

1、配置抓取入口

    在nutch1.0目录下新建文件夹：urls，在该文件夹下新建文件：urllist.txt，在该文件中写入抓取列表，比如：

http://lucene.apache.org

   写入分布式文件系统

bin/hadoop fs -put urls urls

2、设置URL过滤规则

    编辑conf/crawl-urlfilter.txt

# accept hosts in MY.DOMAIN.NAME

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

+^http://([a-z0-9]*/.)*apache.org

3、执行抓取命令

bin/nutch crawl urls -dir crawledDir -depth 3 -threads 10

五、搜索环境

1 、把上面索引后的文件拷贝到本地 ，速度会好些，也可在分布式系统中，参考文档中讲到

bin/hadoop fs -copyToLocal crawledDir  /home/yourname/nutch-1.0/crawledData

2、把 nutch-1.0.war 文件拷贝到tomcat下webapps目录，启动tomcat解压文件,再关闭服务

$ cp nutch-1.0.war /home/yourname/java/apache-tomcat-6.0.18/

$ cd  /home/lighttpd/java/apache-tomcat-6.0.18/

$ bin/startup.sh

浏览器输入：http://locahost:8080/nutch-1.0 

$ bin/shutdown.sh

3、修改/WEB-INF/classes/nutch-site.xml

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>



<!-- Put site-specific property overrides in this file. -->

<!--  /home/lighttpd/nutch-1.0/conf/search-dir/sina.com.cn -->

<configuration>



<property>

<name>searcher.dir</name>

<value>/home/yourname/nutch-1.0/crawledDir</value>

</property>



</configuration>

4、支持中文 ，在server.xml的 Connector中加入属性

URIEncoding="UTF-8" 

useBodyEncodingForURI="true"

5、启动tomcat

$ cd  /home/lighttpd/java/apache-tomcat-6.0.18/

$ bin/startup.sh

6、浏览器输入：http://locahost:8080/nutch-1.0 搜索试试

六、注意：

1、这里搜索的索引文件是拷贝到本地的文件，也可以搭建分布式索引文件

2、还可以搭建索引文件在不同的机器上，搜索时候从各个索引文件合并搜索结果

3、eclipse工程中的对应配置文件，都做设置的话，会运行在分布式系统中，如想调试运行在从机器上程序，需要采用本地运行方式，把hadoop-site.xml文件挪走，或者改名。