Nutch 2.2+MySQL+Solr4.2实现网站内容的抓取和索引
Nutch2.2.1发布快两月了，该版本与Nutch之前版本相比，有较大变化，特别是与MySQL联合应用的安装和配置过程有不少地方容易出错。本人在安装过程中也遇到了不少麻烦，大多问题通过baidu和google也没有找到解决方法，自己只能通过看代码和分析日志并试错，最终搞定了所遇到的各种问题，现将重要安装和配置过程整理如下。1. MySQL数据库配置l my.ini配置分别在、下添加“default-character-set=utf8”；在下添加：character-set-server=utf8l 权限授予mysql –u root –p xxxxGRANT ALL PRIVILEGES ON *.* TOroot@"%" IDENTIFIED BY"xxxx";l 创建数据库与表手动创建数据库nutch和数据表webpage【如果不想用默认的库名和表名也可在nutch安装后的相关配置文件中进行修改，见后续说明】，其中webpage的表结构如下：CREATETABLE `webpage` (`id`varchar(767) NOT NULL,`headers`blob,`text`longtext DEFAULT NULL,`status`int(11) DEFAULT NULL,`markers`blob,`parseStatus`blob,`modifiedTime`bigint(20) DEFAULT NULL,`prevModifiedTime`bigint(20) DEFAULT NULL,`score`float DEFAULT NULL,`typ`varchar(32) CHARACTER SET latin1 DEFAULT NULL,`batchId`varchar(32) CHARACTER SET latin1 DEFAULT NULL,`baseUrl`varchar(767) DEFAULT NULL,`content`longblob,`title`varchar(2048) DEFAULT NULL,`reprUrl`varchar(767) DEFAULT NULL,`fetchInterval`int(11) DEFAULT NULL,`prevFetchTime`bigint(20) DEFAULT NULL,`inlinks`mediumblob,`prevSignature`blob,`outlinks`mediumblob,`fetchTime`bigint(20) DEFAULT NULL,`retriesSinceFetch`int(11) DEFAULT NULL,`protocolStatus`blob,`signature`blob,`metadata`blob,PRIMARYKEY (`id`))ENGINE=InnoDB DEFAULT CHARSET=utf8;注：表中的字段根据nutch的conf文件“gora-sql-mapping”进行设置。同时也可通过自动方式生成数据库和表：配置好“gora-sql-mapping”、“gora.properties”及其它文件后，首次通过运行”bin/nutchinject urls”即可自动生成数据库和表，不过或许在自动生成的时候你会遇到问题，不过没有关系，通过及时查看hadoop.log文件你便会发现很多问题（如下图之一）与MySQL支持的数据类型、数据长度有关，只需要根据日志提示做修改、调试（可借助navicat工具像SQLServer方便操作数据库），然后再重复自动生成过程，直到成功为止。2. Nutch的安装与配置1) 获取nutch2.2.x：从官网http://www.apache.org/dyn/closer.cgi/nutch/下载，然后解压至本地安装目录，如本地根目录为${NUTCH_HOME}；2) 配置nutch对mysql的支持，修改${APACHE_NUTCH_HOME}/ivy/ivy.xml文件，分别：l 将以下行的注释取消<dependencyorg=”mysql” name=”mysql-connector-java” rev=”5.1.18″conf=”*->default”/>l 修改以下行从默认的<dependencyorg="org.apache.gora" name="gora-core" rev="0.3"conf="*->default"/>，改成<dependencyorg="org.apache.gora" name="gora-core" rev="0.2.1"conf="*->default"/>l 将以下行的注释取消<dependencyorg="org.apache.gora" name="gora-sql" rev="0.1.1-incubating"conf="*->default" />注：上述第2和第3项，如果按默认的不做修改，将会在抓取网页时遇到以下错误。
Exceptionin thread “main”Java.lang.ClassNotFoundException:org.apache.gora.sql.store.SqlStore3) 数据库连接配置编辑${NUTCH_HOME}/conf/gora.properties文件，注释掉默认的数据库连接配置，同时添加以下配置内容：################################Default MySQLproperties ################################gora.sqlstore.jdbc.driver=com.mysql.jdbc.Drivergora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=truegora.sqlstore.jdbc.user=xxxx（MySQL用户名）gora.sqlstore.jdbc.password=xxxx（MySQL密码）4) 数据表映射配置主要是修改${NUTCH_HOME}/conf/gora.properties文件，这里的修改建议按照前面介绍的自动生成数据表的方法进行修改，网上说的要将primarykey的长度从512修改成767，即<primarykeycolumn=”id” length=”767″/>。反正我照此操作没有成功（应该受编码格式的影响），最后改成<primarykeycolumn=”id” length=”255″/>搞定了。5) 修改nutch-site配置文件我的做法是直接将nutch-default文件另存为nutch-site，然后修改nutch-site内容，包括：l 添加http.agent.name的值<property><name>http.agent.name</name><value>YourNutchSpider</value></property>l 在文件末尾添加以下内容<property> <name>http.accept.language</name> <value>ja-jp,en-us,en-gb,en;q=0.7,*;q=0.3</value> <description>Value of theAccept-Language request header field. This allows selecting non-English language as default one toretrieve. It is a useful setting for search engines build for certainnational group. </description> </property> <property> <name>storage.data.store.class</name> <value>org.apache.gora.sql.store.SqlStore</value> <description>The Gora DataStore classfor storing and retrieving data. Currently the following stores are available:. </description> </property> <property> <name>parser.character.encoding.default</name> <value>utf-8</value> <description>The character encodingto fall back to when no other information is available</description></property>l 特别添加以下内容<property> <name>generate.batch.id</name> <value>*</value></property>如果不添加此项内容，则通过”bin/nutchcrawl urls –threads n –depths n”爬取网页时，在日志中会看到以下错误：java.lang.NullPointerException
atorg.apache.avro.util.Utf8.<init>(Utf8.java:37)
atorg.apache.nutch.crawl.GeneratorReducer.setup(GeneratorReducer.java:100)
atorg.apache.hadoop.mapreduce.Reducer.run(Reducer.java:174)
atorg.apache.hadoop.mapred.ReduceTask.runNewReducer(ReduceTask.java:649)
atorg.apache.hadoop.mapred.ReduceTask.run(ReduceTask.java:418)
atorg.apache.hadoop.mapred.LocalJobRunner$Job.run(LocalJobRunner.java:398) 并且“nutch-site”文件需要保存为utf-8格式，否则在执行nutch命令时会出现以下错误。
Exception in thread “main” java.lang.RuntimeException:com.sun.org.apache.xerces.internal.impl.io.malformedByteSequenceException:1字节的UTF-8序列的字节1 无效。6) 编译nutch2.2在保证已安装ant的情况下（没有安装的可在网上baidu下ant的安装方法），回到nutch根目录，使用ant编译 ${NUTCH_HOME}。如果都按上述配置一步步做了，则编译过程将顺利完成。至此，Nutch2.2的安装也已完成，接下来就可以根据需要配置网页抓取信息，进行网页抓取了。3. 网页抓取配置1) 设置抓取的网站cd${NUTCH_HOME}/runtime/local mkdir -purls echo 'http://www.tianya.cn' >urls/seed.txt2) 执行爬取操作bin/nutchcrawl urls -depth 3 -topN 5执行完在mysql中即可查看到爬虫抓取的内容，如下图：
<未完待续>
摘自：http://blog.sina.com.cn/s/blog_3c9872d00101p4f0.html
页:
[1]