用Nutch2.3+MongoDB+Elasticsearch1.4开发垂直搜索引擎

Nutch下载

上nutch官网下载页面下载最新的代码包

http://nutch.apache.org/downloads.html

下载并解压后，得到如下文件夹

Elasticsearch1.4下载

最新的Elasticsearch是5.1版本，但由于Nutch2.3内置的是Elasticsearch1.4.1的连接客户端，所以还是需要安装Elasticsearch1.4

下载地址 https://download.elasticsearch.org/elasticsearch/elasticsearch/elasticsearch-1.4.1.tar.gz

修改ivy源

由于默认的ivy源速度比较慢，所以在这里换成国内的源

在ivy/ivysetting.xml文件中找到下面这段配置

<property name="repo.maven.org"
value="http://repo1.maven.org/maven2/"
override="false"/>

把value替换成阿里云的地址：

http://maven.aliyun.com/nexus/content/groups/public/

创建eclipse项目

把nutch解压后的文件压移至eclipse工作空间中；

在eclipse中，在菜单中选择File->New->Project

然后选择工程类型”Java Project from Existing Ant Buildfile”，再选择nutch文件夹下的build.xml文件即可；

修改配置文件

修改conf/nutch-site.xml

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

<!--此参数主要用于在IDE环境开发模式运行，在构建输出的runtime部署运行请注释或删除此项参数-->
<!-- Just for development, please remove this plugin.folders for production env -->
<property>
<name>plugin.folders</name>
<value><value>/Users/luojian/Documents/javaworkspace/nutch/build/plugins</value></value>
</property>

<!--基于gora的爬虫数据底层存储机制，-->
<!--官方文档及推荐为HBase，本项目默认配置为MongoDB。需要同步配置gora.properties文件中相关参数。-->
<property>
<name>storage.data.store.class</name>
<value>org.apache.gora.mongodb.store.MongoStore</value>
<description>Default class for storing data</description>
</property>

<property>
<name>http.agent.name</name>
<value>Your Nutch Spider</value>
</property>
</configuration>

修改ivy/ivy.xml

<!-- 取消以下关于MongoDB的注释，使其生效-->
<dependency org="org.apache.gora" name="gora-mongodb" rev="0.6.1" conf="*->default" />

修改conf/gora.properties

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

\# MongoDBStore properties  #

\#######################

gora.datastore.default=org.apache.gora.mongodb.store.MongoStore

gora.mongodb.override_hadoop_configuration=false

gora.mongodb.mapping.file=/gora-mongodb-mapping.xml

gora.mongodb.servers=localhost:27017

gora.mongodb.db=nutchFocuse

\#gora.mongodb.login=login

\#gora.mongodb.secret=secret

Ant 编译

右键build.xml-> Ant build…

在Targets标签页下，选中 eclipse

修改config build path 顺序，将conf置顶

添加爬取网址

在项目目录下新建 urls 文件夹，

并在此文件夹下新建seed.txt文件

seed.txt文件的内容如下：

#zhihu
 https://www.zhihu.com/explore

启动爬虫

配置启动参数





点击Run运行

看到如下结果，则代表正常

增加操作java类

完成以上步骤，nutch已经能在eclipse中跑起来了

用nutch编译生成的 crawl脚本，在eclipse中会有比较多问题，比如找不到类，classpath不正确等

为了更方便操作，增加一个java类来代替crawl脚本

package org.apache.nutch.crawl;

import org.apache.nutch.fetcher.FetcherJob;
import org.apache.nutch.indexer.IndexingJob;
import org.apache.nutch.parse.ParserJob;

public class Crawler {
/**
* @param args
*/
public static void main(String[] args) {
GeneratorJob gen = new GeneratorJob();
String a = null;
try {
String[] arg1 = { "/Users/luojian/Documents/javaworkspace/nutch/urls", "-crawlId", "test" };
InjectorJob.inject(arg1);
for (int count=0;count<2;count++){
String[] arg2 = { "-crawlId", "test" };
a = gen.gen(arg2);
System.out.println("输出的是" + a);
String[] arg3= {a,"-crawlId","test"};
FetcherJob.fetch(arg3);
ParserJob.parse(arg3);
DbUpdaterJob.dbupdate(arg3);
String[] arg4={"-all","-crawlId","test"};
IndexingJob.index(arg4);
}
} catch (Exception e) {
e.printStackTrace();
}
}
}

其中 gen.gen(arg2) FetcherJob.fetch(arg3) ParserJob.parse(arg3) DbUpdaterJob.dbupdate(arg3) IndexingJob.index(arg4) 都是在原有的main方法上修改的，复制main方法，并修改方法名称，把里面的System.exit(res)这一行代码注释掉，如IndexingJob类的代码修改如下

public static void main(String[] args) throws Exception {
final int res = ToolRunner.run(NutchConfiguration.create(),
new IndexingJob(), args);
System.exit(res);
}
//复制main方法，然后注释掉System.exit
public static void index(String[] args) throws Exception {
final int res = ToolRunner.run(NutchConfiguration.create(),
new IndexingJob(), args);
//      System.exit(res);
}

参考链接：

wiki:RunNutchInEclipse

未完待续