?終于！我把 Nutch0.9 的安裝文檔貼出來了

首先提醒的是，按照這個步驟做還是會遇到各種莫名奇妙的問題，沒關系，按照步驟查找，一定有地

方出錯了，從出錯的地方重新做吧。 ( 連我自己每次重新安裝的時候還是會遇到各種問題，所以過程

一定要細心啊！ )
???

直接上過程：

1 、首先，我的配置： JDK1.6 ， Tomcat6.0 ， Nutch0.9

2 、添加 JAVA_HOME 和 CATALINA_HOME 系統變量 ( 這個如果真不會的話自己百度吧 )

3 、安裝 Cygwin 。

???Nutch 最初是在 Linux 系統下開發的，所以要在 windows 環境下部署，必須使用這個軟件來模擬仿真

系統環境。
???????? 下載了 Cygwin 后，雙擊 setup.exe 運行，在“選擇下載資源”的對話框處有幾個選項：從

Internet 安裝、下載不安裝、從本地安裝。一般是第一個選項，如果已經安裝包已經下載到了本地，

那么選擇第 三個。之后設置好安裝路徑按默認的設置安裝即可。 ??

安裝成功運行如圖：

?

?

4 、 Nutch 是用 Java 語言開發的，在運行 Nutch 之前，必須告訴 Nutch 系統的 JDK 在哪。所以還需要設置

一個環境變量 NUTCH_HOME ，值同 JAVA_HOME 一致。

設置好了可以通過 Cygwin 測試 Nutch 是否可以運行。

?????1.? 運行 Cygwin 。

???? 2.? 輸入： cd? /cygdrive/*/nutch-0.9 (nutch 所在的路徑 ) PS ： Cygwin 不支持 Unicode 字符

集，所以在設置 Nutch 路徑時，要保證其中沒有中文字符

???? 3.? 測試 Nutch 命令： bin/nutch 。如果 Nutch 安裝正確，則此命令會返回所有的 Nutch 可執行命

令結果

?

?

這時 Nutch 已經可以運行，通過 Cygwin 運行 Nutch 的底層命令，已經可以進行抓取、索引、排序、檢索等功能。但是做進一步的開發還需要進一步的修改。

?

??? 5 、將 Nutch 導入 Eclipse
????? 同導入其他 Eclipse 工程的過程一樣，不過要注意幾點：
????? (1) 將 Nutch 的配置文件加入到工程的 Librares 中，在 Libraries 選擇 Add Classic Folder 。并在第

四個面 板“ Order and Export ”中，把 conf 置頂
??????(2) 將 output dir 改為： tmp_build
??????(3) 導入完成
??????(4) 但編譯還是不會通過的，因為 Nutch 包含的 rtf 和 mp3 包和 Nutch 使用的是不同的開源協議，所以

我們需要單獨下載這兩個包，把他們添加進工程中。下載地址為：
?????? http://nutch.cvs.sourceforge.net/nutch/nutch/src/plugin/parse-mp3/lib/ ?
??????? http://nutch.cvs.sourceforge.net/nutch/nutch/src/plugin/parse-rtf/lib/

?

?

????? 6 、 Nutch 的配置文件

????? Nutch 的基本配置文件都在 conf 文件夾下，之前已經把它添加到 Class Folder 中了

????? nutch-default.xml ：我們會用到最多的配置文件，一定要好好讀讀其中的內容

????? crawl-urlfilter.txt ： Nutch 抓取是的一些策略設置

????? nutch-site.xml ：抓取時提交給被爬行網站的信息

????? ………………

????? 最好自己都讀一下這些配置文件的內容并了解它們的作用

?

????? 7 、建立網頁抓取入口

????? 在工程文件夾下新建一個文本文件做為爬蟲抓取網頁的入口： weburl.txt 。

????? 這里我是在 Tomcat 下部署了一個網站用做測試，各位照樣子填吧

????? http://localhost:8080/computernetwork/index.html

?

?

????? 8 、修改配置文件

????? (1) 打開 conf 下的 nutch-default.xml 文件，這里我們要修改其中的一個屬性： plugin.folders 。

????? 把它修改為“ .\plugins ”。它的設置告訴 Nutch 應該到哪里去查找插件。

?

????? (2)

????? 修改 crawl-urlfilter.txt ：

?

# skip image and other suffixes we can't yet parse

-\.

(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|zip|ppt|mpg|xls|gz|rpm|tgz|mov|MOV|

exe|jpeg|JPEG|bmp|BMP|swf|doc)$

這是 Nutch 抓取網頁時默認忽略的文件類型

?

# accept hosts in MY.DOMAIN.NAME

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

這是 Nutch 抓取是的限制訪問策略。比如我的是： +^http:// localhost:8080/computernetwork/

那么如果抓取的網頁中含有鏈接到其他站點的 URL ， Nutch 不會去抓取這些網頁。

?

?

(3)

修改 nutch-site.xml

?

?

9 、配置 Eclipse 運行參數

“ Run as ”— > “ Run Configuration ” — > “ Java Application ” ????

? ?

Arguments面板中：

在 Program arguments 中，參數為：

weburl.txt? -dir? Local – depth 5 – topN 100 – threads 100

?? 指的是爬蟲爬取網頁的地址入口在 weburl.txt 中設置，爬取的網頁、索引等信息存在本地 Local 文

件 夾中，爬蟲爬取的深度為： 5 ，每層只爬取前 100 個網頁，同時開 100 個線程進行爬取。

?

在 VM arguments 中，設置參數為：

??? -Dhadoop.log.dir=logs – Dhadoop.log.file=hadoop.log – Xmx512m

??? 這設置的是爬取過程的 Log 日志記錄地址。另外，爬取網頁過多時 Nutch 會出現 JavaVM 溢出的錯

誤， 因此經常還需在此處設置 JavaVM 參數，如： -Xmx512m ，即為 JAVA 虛擬機分配內存大小為 512M 。

?

?

10 、運行。

運行之后，在 Nutch 中的 Local 文件夾下會生成 5 個文件夾：

??? crawldb ：下載的 URL 及下載日期，用于存放頁面更新的檢查時間。

??? linkdb ：存放 URL 的互聯關系，是下載完成后分析得到的。

??? segments: 存放抓取的頁面。下面的子目錄數與獲取頁面層數有關。通常是一層一個文件夾。

??? indexs ：存放每次下載的獨立索引目錄。

??? index ：符合 Lucene 格式的索引目錄，是 indexs 里所有 index 合并后的完整索引。

?

11 、部署到 tomcat

(1) 打開 ANT 面板，打開添加 Buildfiles 對話框，將 Nutch 的 build.xml 添加進來。

?

(2) 重新運行 job （ default ）或者 war 。此處會出現一個 build failed 錯誤，出現在文件中的：

<touch datetime="01/25/1971 2:00 pm">
????? <fileset dir="${conf.dir}" includes="**/*.template"/>

</touch>

??? 原因是因為在 Nutch 工程中沒有 *.template 文件，所以可以把這幾句刪除掉 ( 也不需要去下載這

幾個文件。如果使用了這幾個文件，每次編譯后曾經修改過的配置文件會被改回模板中的原始值。 )

?

(3) 將 build 文件夾下的 nutch-0.9.war 復制到 CATALINA_HOME 下的 webapps 下，重新啟動 Tomcat ，將生

成的 nutch-0.9 文件夾放到 ROOT 文件夾下。

????? 訪問： http://localhost:8080/nutch-0.9

（我是將 nutch 文件夾下的所有文件直接放在了 ROOT 文件夾下，所以直接訪問 http://localhost:8080/ ）

?

?

?

12 、開始搜索

在 CATALINA_HOME\webapps\ROOT\nutch-0.9\WEB-INF\classes 下，找到 nutch-site.xml ，

添加屬性：

<property>?

?<name>searcher.dir</name>
??????? <value>E:\nutch-0.9\Local</value>---------- 注： nutch 工程下抓取時設置的文件夾位置

</property>

這個屬性告訴 Tomcat 到哪里去找 Nutch 索引。
?

?

?

------ 想搜索嗎？ No ！還有東西要改！

?

這時要是直接搜索， Tomcat 會提示你：
org.apache.jasper.JasperException: /search.jsp(151,22) Attribute value? language + "/include/header.html" is quoted with " which must be escaped when used within the value

?

找到 search.jsp 下的 151 行，把引號轉義吧。。。。

<jsp:include page="<%= language + \"/include/header.html\"%>"/>

?

?

想搜索嗎？可以試一下

?

結果是——英文可以了，但是中文會出現亂碼

?

還得改。。。。那就改吧

?

在 CATALINA_HOME\conf 下找到 server.xml

修改 Connector port="8080" protocol="HTTP/1.1" 屬性中的值，添加兩句：

URIEncoding="UTF-8" useBodyEncodingForURI="true"
?

?

----------------------------------------

Oh My God ！終于可以搜了！！！撒花慶祝吧！這里是真的可以了 ?
?

可是只有這些嗎？

No ！這只是搭建一個基本的基于Nutch的搜索平臺。實際上基于Nutch還有很多可以做和擴展。

PS ：這些都是百度、 Google 出來的各種方法的整理，本人已經實踐過多次，絕對可以部署實施，但是過程中可能還是會出現各種問題，大家耐心的修改吧！

由于時間稍久，中間可能存在疏漏，而且對 Nutch 學習也并不深入，如發現錯誤，歡迎大家交流指正！

?

Nutch0.9安裝指南