Nutch-2.2.1学习之六以伪分布模式运行Nutch
2013-12-14 17:47
218 查看
之前运行使用Nutch都是在本地模式下,也就是执行runtime/local/bin目录下的脚本命令。本地模式主要用来熟悉Nutch的一些基本命令和调试,要想真正的使用Nutch并且发挥Nutch并行抓取网页与分布式的优势,还是要在分布式或者伪分布式下安装和运行Nutch,这里所说的分布式或者伪分布式取决于Hadoop的安装方式,也就是Nutch要想以分布式或者伪分布式的方式运行,必须基于Hadoop使用。基于Hadoop使用,即使是在伪分布模式下运行Nutch,也依然会带来很多好处,比如可以通过Hadoop监控作业的进行情况、作业的完成状态、作业的管理等等.
要想正确以伪分布模式部署运行Nutch,必须已经正确安装了Hadoop并且对core-site.xml、hdfs-site.xml、mapred-site.xml进行了相应的修改,具体如何以伪分布模式安装部署Hadoop,可以参考Hadoop的官方文档。在正确安装部署了Hadoop后,必须在路径中设置$HADOOP_HOME/bin,这样Nutch就可以使用hadoop命令运行作业了。
在分布式或者伪分布式模式下,需要运行runtime/deploy/bin目录下的脚本。Deploy目录和local目录的文件时不同的,比如在deploy目录下不存在lib、logs、conf等目录,仅有bin目录和apache-nutch-2.2.1.job,bin目录与local下的bin目录不同,apache-nutch-2.2.1.job包含了运行Nutch所需的lib包、配置文件、插件等,这个文件是在编译Nutch源代码时生成的,当对Nutch根目录下的conf中文件做了修改时,需要运行antruntime使这些修改编译到apache-nutch-2.2.1.job中,或者使用解压缩软件直接修改配置文件。
在以伪分布式模式运行Nutch时遇到了一下几个问题,其中两个是在本地模式下也出现过的。第一个就是HBase的jar包与使用的HBase不匹配的问题,解决办法时删除apache-nutch-2.2.1.job中的版本较低的hbase的jar包,将高版本的jar打包进apache-nutch-2.2.1.job中即可。第二个问题是http.agent.name没有被设置,该属性将影响Nutch的fetch阶段,同样的办法是打开apache-nutch-2.2.1.job,修改其中的nutch-site.xml即可。
第三个问题是在运行抓取命令bin/crawlurls sina
http://localhost:port/solr 2时出现的,错误信息如下。根据提示信息可知要抓取的url文件在HDFS上不存在,解决办法是运行hadoopfs –put命令将url文件放置到HDFS上,再次运行命令问题解决。
运行的结果可以通过在浏览器中查看,截图如下。作业分别为inject、generate、fetch、parse、update-table,这也对应了Nutch抓取网页的各个阶段。
要想正确以伪分布模式部署运行Nutch,必须已经正确安装了Hadoop并且对core-site.xml、hdfs-site.xml、mapred-site.xml进行了相应的修改,具体如何以伪分布模式安装部署Hadoop,可以参考Hadoop的官方文档。在正确安装部署了Hadoop后,必须在路径中设置$HADOOP_HOME/bin,这样Nutch就可以使用hadoop命令运行作业了。
在分布式或者伪分布式模式下,需要运行runtime/deploy/bin目录下的脚本。Deploy目录和local目录的文件时不同的,比如在deploy目录下不存在lib、logs、conf等目录,仅有bin目录和apache-nutch-2.2.1.job,bin目录与local下的bin目录不同,apache-nutch-2.2.1.job包含了运行Nutch所需的lib包、配置文件、插件等,这个文件是在编译Nutch源代码时生成的,当对Nutch根目录下的conf中文件做了修改时,需要运行antruntime使这些修改编译到apache-nutch-2.2.1.job中,或者使用解压缩软件直接修改配置文件。
在以伪分布式模式运行Nutch时遇到了一下几个问题,其中两个是在本地模式下也出现过的。第一个就是HBase的jar包与使用的HBase不匹配的问题,解决办法时删除apache-nutch-2.2.1.job中的版本较低的hbase的jar包,将高版本的jar打包进apache-nutch-2.2.1.job中即可。第二个问题是http.agent.name没有被设置,该属性将影响Nutch的fetch阶段,同样的办法是打开apache-nutch-2.2.1.job,修改其中的nutch-site.xml即可。
第三个问题是在运行抓取命令bin/crawlurls sina
http://localhost:port/solr 2时出现的,错误信息如下。根据提示信息可知要抓取的url文件在HDFS上不存在,解决办法是运行hadoopfs –put命令将url文件放置到HDFS上,再次运行命令问题解决。
13/12/13 16:21:20 ERROR security.UserGroupInformation: PriviledgedActionException as:hadoop cause:org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: hdfs://127.0.0.1:9000/user/hadoop/urls 13/12/13 16:21:20 ERROR crawl.InjectorJob: InjectorJob: org.apache.hadoop.mapreduce.lib.input.InvalidInputException: Input path does not exist: hdfs://127.0.0.1:9000/user/hadoop/urls
运行的结果可以通过在浏览器中查看,截图如下。作业分别为inject、generate、fetch、parse、update-table,这也对应了Nutch抓取网页的各个阶段。
相关文章推荐
- 大端模式和小端模式以及程序运行内存空间分布
- Nutch-2.2.1学习之二编译部署Nutch及常见问题
- hadoop学习笔记之-hbase完全分布模式安装
- Hadoop学习之以伪分布模式部署Hadoop及常见问题
- java学习之旅15、16--eclipse开发环境的使用_建立java项目_运行java项目,eclipse运行程序的问题(src和bin问题)_debug模式
- Nutch-2.2.1学习之八过滤抓取数据
- 【Hadoop入门学习系列之一】Ubuntu下安装Hadoop(单机模式+伪分布模式)
- 【Nutch基础教程之七】Nutch的2种运行模式:local及deploy 分类: H3_NUTCH 2014-12-21 09:40 1621人阅读 评论(0) 收藏
- 大数据学习之路-第02天-Hadoop本地模式配置&伪分布模式配置
- 【Spark亚太研究院系列丛书】Spark实战高手之路-第一章 构建Spark集群-配置Hadoop伪分布模式并运行Wordcount示例(1)
- maven学习笔记:命令行模式创建java_spark项目并运行示例程序
- [Nutch]Hadoop单机伪分布模式的配置
- spark学习1——配置hadoop 单机模式并运行WordCount实例(ubuntu14.04 & hadoop 2.6.0)
- 【Nutch基础教程之七】Nutch的2种运行模式:local及deploy
- Nutch-2.2.1学习之九Nutch过滤URL实践
- Hadoop - 更换节点ip 地址之后(虚拟机中的伪分布模式,学习format)
- 伪分布模式hadoop运行java源程序
- CC2541蓝牙学习——定时器1自由运行模式
- hadoop学习笔记之完全分布模式安装
- maven学习笔记:命令行模式创建scala_spark项目并运行程序