用户
 找回密码
 立即注册

QQ登录

只需一步,快速开始

搜索
查看: 3304|回复: 0

使用Nutch和Solr抓取并索引网页

[复制链接]

394

主题

412

帖子

2069

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
2069

活跃会员热心会员推广达人宣传达人灌水之王突出贡献优秀版主荣誉管理论坛元老

发表于 2016-3-4 18:16:03 | 显示全部楼层 |阅读模式
Nutch和Solr是两个由Apache成员创建的实用工具,你可以使用Nutch抓取网页,使用Solr索引你得到的数据。
除了索引各类网站,这些工具还有很多其他功能,本文将不涉及这些,而是一篇针对如何使用Nutch
抓取网页并使用Solr索引并搜索你抓取的数据的新手指南。



本文将不会讨论它们如何工作的大量细节,而会告诉你如何运行一个爬虫和建立索引,我将假设你已经搭建好了tomcat服务器。
1、确认你已正确安装JAVA并正确设置了JAVA_HOME和CLASSPATH变量。
2、下载并解压apache-nutch-1.3-bin.tar.gz(http://nutch.apache.org)和apache-solr-3.3.0.gz (http://lucene.apache.org/solr/)到不同的文件夹下。
  cd $HOME/nutch-1.3/runtime/local,以下NUTCH_ROOT即为此目录
  chmod +x bin/nutch
3、设置Nutch:编辑NUTCH_ROOT/conf/nutch-default.xml,设置http.agent.name的value为你的爬虫的名字。
   创建文件夹NUTCH_ROOT/crawl
   创建文件NUTCH_ROOT/urls/nutch,输入你想抓取的所有网址,每行一个,确保包括"http://"和结尾的斜杠"/"。
   Nutch 1.3版本移除了crawl-urlfilter.txt,因此如果需要抓取动态网页,只需修改编辑文件NUTCH_ROOT/conf/regex-urlfilter.txt,找到行
   # skip URLs containing certain characters as probable queries, etc.
   -[?*!@=]
   这两行意思是跳过在连接中存在? * ! @ = 的页面,因为默认是跳过所以,在动态页中存在?,按照此默认设置是不能抓取到的。可以在上面2个文件中都修改成:
   # skip URLs containing certain characters as probable queries, etc.
   # -[?*!@=]
   另外增加允许的一行
   # accept URLs containing certain characters as probable queries, etc.
   +[?=&]
   意思是抓取时候允许抓取连接中带 ? = & 这三个符号的连接
4、设置Solr:拷贝NUTCH_ROOT/conf目录下所有文件至SOLR_ROOT/example/solr/conf,覆盖任何可能存在的文件。
   编辑SOLR_ROOT/example/solr/conf/schema.xml,将修改行71关于存储属性的设置由false改为true。
   编辑SOLR_ROOT/example/solr/conf/solrconfig.xml,将以下行加到第一个requestHandler标签之上:
<requestHandler name="/nutch" class="solr.SearchHandler" >
<lst name="defaults">
<str name="defType">dismax</str>
<str name="echoParams">explicit</str>
<float name="tie">0.01</float>
<str name="qf">
content^0.5 anchor^1.0 title^1.2
</str>
<str name="pf">
content^0.5 anchor^1.5 title^1.2 site^1.5
</str>
<str name="fl">
url
</str>
<str name="mm">
2<-1 5<-2 6<90%
</str>
<int name="ps">100</int>
<str name="q.alt">*:*</str>
<str name="hl.fl">title url content</str>
<str name="f.title.hl.fragsize">0</str>
<str name="f.title.hl.alternateField">title</str>
<str name="f.url.hl.fragsize">0</str>
<str name="f.url.hl.alternateField">url</str>
<str name="f.content.hl.fragmenter">regex</str>
</lst>
</requestHandler>
5、启动Solr:$ cd SOLR_ROOT/example
   $ java -jar start.jar
6、启动爬虫:$ cd NUTCH_ROOT
   启动命令有如下选项:-dir 指定抓取的数据存放的目录
   -threads 指定同时抓取的线程数(可选)
   -depth 指定从根页面起希望抓取的链接层级数
   -topN 指定每层链接要抓取的最大网页数
你可以设置任意数字,一般情况下数字越大抓取的数据越多。抓取的时间也越长。
例如,下面这个抓取命令可能要用上一两天时间
$ NUTCH_ROOT/bin/nutch crawl urls -dir crawl -depth 20 -topN 2000000
7、索引抓取结果:
$ bin/nutch solrindex http://HOST_ADDRESS:8983/solr/ crawl/crawldb crawl/linkdb crawl/segments/*
这里的端口号和下面提到的端口号依据你的服务器设置而定,访问http://HOST_ADDRESS:8983/solr/admin,查看缺省的Solr管理面板,搜索索引。
当你到达结果页后,你可以在地址栏看到url,点击url你也可以看到XML的结果。
依据以上步骤,你将拥有你自己的一个迷你搜索引擎。它将只会搜索你所指定的网址,但你了解更多后,你将发现Nutch和Sorl能帮你实现更多神奇的事情。目前有关这些工具的友好的文档还不够丰富,下面的几个链接能帮助你开始你的探索旅程:
Nutch Wiki:http://wiki.apache.org/nutch/
Solr Wiki:http://wiki.apache.org/solr/FrontPage
Lucid Imagination:http://www.lucidimagination.com/

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

关闭

站长推荐 上一条 /4 下一条

返回顶部