使用nutch搭建类似百度/谷歌的搜索引擎

Nutch是基于Lucene实现的搜索引擎。包括全文搜索和Web爬虫。Lucene为Nutch提供了文本索引和搜索的API。

1.有数据源，需要为这些数据提供一个搜索页面。最好的方式是直接从数据库中取出数据并用Lucene API 建立索引，因为你不需要从别的网站抓取数据。
2.没有本地数据源，或者数据源非常分散的情况下，就是需要抓别人的网站，则使用Nutch。

1.安装

1.安装tomcat

[root@localhost ~]# wget https://archive.apache.org/dist/tomcat/tomcat-9/v9.0.1/bin/apache-tomcat-9.0.1.tar.gz[root@localhost ~]# tar xvzf apache-tomcat-9.0.1.tar.gz -C /usr/local/[root@localhost ~]# cd /usr/local/[root@localhost local]# mv apache-tomcat-9.0.1/ tomcat[root@localhost local]# /usr/local/tomcat/bin/startup.sh

启动后访问 http://localhost:8080 就可以看到web服务器正常。14339

2.部署nutch
这里nutch用1.2版本，虽然现在已经很高版本了，但是1.2以上已经没有war包，没法做类似百度这种页面的搜索了，而是nutch转而给solr提供搜索支持。

[root@localhost ~]# wget http://archive.apache.org/dist/nutch/apache-nutch-1.2-bin.tar.gz[root@localhost ~]# tar xvf apache-nutch-1.2-bin.tar.gz -C /usr/local/[root@localhost ~]# cd /usr/local/nutch-1.2/[root@localhost local]# mv nutch-1.2/ nutch[root@localhost local]# cd nutch/[root@localhost nutch]# cp nutch-1.2.war /usr/local/tomcat/webapps/nutch.war

apache下，当浏览器访问 http://localhost:8080/nutch 时nutch的war包会被自动解压部署。可以看到我们的搜索页面

2.爬取数据

nutch目录下，新建文件url.txt，把我们要抓的网站填入，内容

https://www.hicool.top/

有个过滤规则，我们上一步填入的网站，需要经过这个规则过滤才可抓取，否则不能。修改过滤规则，查看conf/craw-urlfilter.txt文件

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

这其实是一个正则表达式，把加号那一行，改为仅仅允许自己网站通过

+^http://([a-z0-9]*\.)*hicool.top/

这样可以只把自己的网站抓下来了。修改conf/nutch-site.xml文件，在configuration标签内增加如下索引目录属性，指定检索器读取数据的路径。另外增加一个http.agent.name和一个http.robots.agents节点，否则不能抓取。因为nutch遵守了 robots协议，在爬行人家网站的时候，把自己的信息提交给被爬行的网站以供识别。

<property>    <name>http.agent.name</name>    <value>hicool.top</value>    <description>Hello，welcom to visit www.hicool.top</description></property><property>    <name>http.robots.agents</name>    <value>hicool.top,*</value></property><property>    <name>searcher.dir</name>    <value>/usr/local/nutch/crawl</value>    <description></description></property>

searcher.dir是指定搜索结果存放路径。http.agent.name的value随便填一个，而http.robots.agents的value必须填你的的http.agent.name的值，否则报错”Your ‘http.agent.name’ value should be listed first in ‘http.robots.agents’ property”。

注意：默认不开启对https网站抓取的支持，如果要开启，添加如下内容到nutch-site.xml

<property>  <name>plugin.includes</name>  <value>protocol-httpclient|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|indexer-solr|scoring-opic|urlnormalizer-(pass|regex|basic)|parse-jsoup</value></property>

这实际是使用了protocol-httpclient插件下载https网页，至于别的插件都是一些过滤解析网页的。添加了插件之后，就可以爬https的网站了。目前已有的协议及支撑插件如下：

http:    protocol-http    protocol-httpclienthttps:    protocol-httpclientftp:    protocol-ftpfile:    protocol-file

Nutch 的爬虫有两种方式
• 爬行企业内部网(Intranet crawling)。针对少数网站进行，用 crawl 命令。
• 爬行整个互联网。 使用低层的 inject, generate, fetch 和 updatedb 命令，具有更强的可控制性。

我们使用crawl命令，抓数据

[root@localhost nutch]# bin/nutch crawl url.txt -dir crawl -depth 10 -topN 100crawl started in: crawlrootUrlDir = url.txtthreads = 10..................IndexMerger: merging indexes to: crawl/indexAdding file:/usr/local/nutch/crawl/indexes/part-00000IndexMerger: finished at 2017-10-19 19:59:50, elapsed: 00:00:01crawl finished: crawl

上面的过程太长，我略过了很多。参数含义说明如下：
-dir 指定存放爬行结果的目录，本次抓取结果数据存放到sports目录中；
-depth 表明需要抓取的页面深度，本次抓取深度为10层；
-topN 表明只抓取前N个url，本次抓取为取每一层的前100个页面；
-threads 指定Crawl采取下载的线程数，我用这个一直抓不到数据，就把它去掉了。

根据下载过程可以看出nutch爬取网页并建立索引库的过程如下：
1)插入器（Injector）向网页数据库添加起始根URL；
2)按照要求抓取的层数，用生成器（Generator）生成待下载任务；
3)调用获取器（Fetcher），按照指定线程数实际下载相应页面；
4)调用页面分析器（ParseSegment），分析下载内容；
5)调用网页数据库管理工具（CrawlDb），把二级链接添加到库中等待下载；
6)调用链接分析工具（LinkDb），建立反向链接；
7)调用索引器（Indexer），利用网页数据库、链接数据库和具体下载的页面内容，创建当前数据索引；
8)调用重复数据删除器（DeleteDuplicates），删除重复数据；
9)调用索引合并器（IndexMerger），把数据合并到历史索引库中。

本地测试下搜索结果，搜关键字“1”

[root@localhost nutch]# bin/nutch org.apache.nutch.searcher.NutchBean 1Total hits: 193 0 20171019203949/https://www.hicool.top/ ... Liberalman 的主页 ... ...... ......

搜到了193条信息。剩下的我都省略显示了。

使用Readdb工具摘要描述

[root@localhost nutch]# bin/nutch readdb crawl/crawldb/ -statsCrawlDb statistics start: crawl/crawldb/Statistics for CrawlDb: crawl/crawldb/TOTAL urls:     296retry 0:        286retry 1:        10min score:      0.0avg score:      0.009496622max score:      1.11status 1 (db_unfetched):        18status 2 (db_fetched):  275status 4 (db_redir_temp):       3CrawlDb statistics: done

爬到了296个页面。

3.在web页面展示搜索结果

修改/usr/local/tomcat/webapps/nutch/WEB-INF/classes/nutch-site.xml

<property>    <name>http.agent.name</name>    <value>hicool.top</value>    <description>Hello，welcom to visit www.hicool.top</description></property><property>    <name>http.robots.agents</name>    <value>hicool.top,*</value></property><property>    <name>searcher.dir</name>    <value>/usr/local/nutch/crawl</value>    <description></description></property>

把我们上一步抓取数据的存放路径配置到tomcat下，重启tomcat，就可以在浏览器中搜索了。

4.筛选链接

有些链接我们需要抓取，有些我们则需要排除掉。怎样才能有一个筛选机制，过滤掉冗余的链接呢？

编辑conf/regex-urlfilter.txt

# skip file: ftp: and mailto: urls#过滤掉file：ftp等不是html协议的链接-^(file|ftp|mailto):# skip image and other suffixes we can't yet parse#过滤掉图片等格式的链接-\.(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)$# skip URLs containing certain characters as probable queries, etc.-[?*!@=] 过滤掉汗特殊字符的链接，因为要爬取更多的链接，比如含？=的链接# skip URLs with slash-delimited segment that repeats 3+ times, to break loops#过滤掉一些特殊格式的链接-.*(/[^/]+)/[^/]+\1/[^/]+\1/# accept anything else#接受所有的链接，这里可以修改为只接受自己规定类型的链接+.

我现在只想抓取 https://www.hicool.top/article/324 类似这样的，只把 /article/* 下的内容抓出来的需求。修改如下

# accept anything else+^https:\/\/www\.hicool\.top\/article\/.*$

如果有哪些路径我想排除掉，不抓取

-^https:\/\/www\.hicool\.top\/category/.*$+^https:\/\/www\.hicool\.top\/article\/.*$

这样/category/页面下的都排除了。这些正则表达式列表，只要有一个满足条件filter()方法就返回结果。

抓取动态内容

我们平常访问网站的时候，往往有”?”以及后面带参数，这种动态的内容默认也不抓取，需要配置。

在conf下面的2个文件：regex-urlfilter.txt，crawl-urlfilter.txt

# skip URLs containing certain characters as probable queries, etc.-[?*!@=] （-改+）

这段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？一般按照默认的是不能抓取到的。可以在上面2个文件中都注释掉：

# -[?*!@=]

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
注意：两个文件都需要修改，因为NUTCH加载规则的顺序是crawl-urlfilter.txt-> regex-urlfilter.txt

5.按词划分和中文分词

看看上文最后的效果，你会发现，搜索是按单个字来区分的，你输入一句话，每个字都被单独搜了一遍，导致不想关的信息太冗余。原来，nutch默认对中文按字划分，而不是按词划分。
so，我们要达到按词划分以减少冗余的目的，则：
1.修改源代码。直接对Nutch分词处理类进行修改，调用已写好的一些分词组件进行分词。
2.使用分词插件。按照Nutch的插件编写规则重新编写或者添加中文分词插件。

这里我使用修改源码方式，得下载源码重新编译了。关于 IKAnalyzer3.2.8.jar 这个包，我是在网上搜到下载的。可以看这篇 https://github.com/wks/ik-analyzer 安装此包。

[root@localhost ~]# wget http://archive.apache.org/dist/nutch/apache-nutch-1.2-src.tar.gz[root@localhost ~]# tar xvf apache-nutch-1.2-src.tar.gz -C /usr/local/[root@localhost ~]# cd /usr/local/[root@localhost local]# mv apache-nutch-1.2/ nutch[root@localhost local]# cd nutch[root@localhost nutch]# mv ~/IKAnalyzer3.2.8.jar lib/

编辑源码生成文件 src/java/org/apache/nutch/analysis/NutchAnalysis.jj

130   // chinese, japanese and korean characters131 | <SIGRAM: <CJK> >

这是按字划分，改为 | <SIGRAM: (<CJK>)+ >，后面那个”+”号是多次，就组成词了。

Lucene中使用JavaCC这个Java语言分析器按照规则自动生成的源代码。确保安装了该工具。

[root@localhost nutch]# cd src/java/org/apache/nutch/analysis/[root@localhost analysis]# javacc NutchAnalysis.jj

当前路径新生成的源码会覆盖掉旧的

修改NutchAnalysis.java

 49   /** Construct a query parser for the text in a reader. */ 50   public static Query parseQuery(String queryString, Configuration conf) throws IOException,ParseException { 51     return parseQuery(queryString, null, conf); 52   } 53  54   /** Construct a query parser for the text in a reader. */ 55   public static Query parseQuery(String queryString, Analyzer analyzer, Configuration conf) 56     throws IOException,ParseException { 57     NutchAnalysis parser = new NutchAnalysis( 58           queryString, (analyzer != null) ? analyzer : new NutchDocumentAnalyzer(conf)); 59     parser.queryString = queryString; 60     parser.queryFilters = new QueryFilters(conf); 61     return parser.parse(conf); 62   }

这份代码原来是没有ParseException这个异常处理的，给它IOException的后面加上”,ParseException”，这是我修改过后的。

修改NutchDocumentAnalyzer.java

103   /** Returns a new token stream for text from the named field. */104   public TokenStream tokenStream(String fieldName, Reader reader) {105     /*Analyzer analyzer;106     if ("anchor".equals(fieldName))107       analyzer = ANCHOR_ANALYZER;108     else109       analyzer = CONTENT_ANALYZER;*/110     Analyzer analyzer = new org.wltea.analyzer.lucene.IKAnalyzer();111 112     return analyzer.tokenStream(fieldName, reader);113   }

我把原来的代码注释了return之前哪一行是新加的。

回到根目录，修改build.xml，在 <target name="war" depends="jar,compile,generate-docs"></target>的<lib></lib>之间加入IKAnalyzer3.2.8.jar，使得编译可以依赖上。

200         <include name="log4j-*.jar"/>201         <include name="IKAnalyzer3.2.8.jar"/>202       </lib>

开始编译

[root@localhost nutch]# ant

编译成功，产生一个build目录

[root@localhost nutch]# cp build/nutch-1.2.job ./

再生产war包

[root@localhost nutch]# ant war[root@localhost nutch]# cp build/nutch-1.2.jar ./[root@localhost nutch]# cp build/nutch-1.2.war ./

我们的编译就大功告成了。剩下的就是重复跟上文部署一个搜索引擎的步骤，过程略。有一点需要说明，新的搜索界面，输入关键词进行搜索，这时会出现空白页。还需要修改 /usr/local/tomcat/webapps/nutch-1.2/WEB-INF/classes/nutch-site.xml 文件，添加加载插件的属性：

<property>  <name>plugin.includes</name>  <value>protocol-http|urlfilter-regex|parse-(text|html|js)|analysis-(zh)|index-basic|query-(basic|site|url)|summary-lucene|scoring-opic|urlnormalizer-(pass|regex|basic)</value></property>

这里使用protocol-http而不是protocol-httpclient，需要注意。重启后的分词效果

可以看到已经以“设计模式”、“设计”、“模式”这些词看分关键词搜索了，OK，成功！

问题

每次重新爬后，要重启tomcat才能顺利访问

1. Stopping at depth=0 - no more URLs to fetch

特么的，网上看一堆类似这么写的

bin/nutch crawl url.txt -dir crawl -depth 10 -topN 100 -treads 10

我照抄，结果一直报错Stopping at depth=0 - no more URLs to fetch.害得我搜便各种各样的办法，改来改去，都无济于事，过滤那个地方的正则表达式我都到别的地方去验证了，没问题。0.9和1.2版本换了n次，配置了一堆东西，最后自己发现， -treads 10 这个参数有大问题，带上它怎么都失败，去掉立刻OK了。

2. 中文乱码问题

配置tomcat的conf文件夹下的server.xml
修改如下

    <Connector port="8080" protocol="HTTP/1.1"               connectionTimeout="20000"               redirectPort="8443" URIEncoding="UTF-8" useBodyEncodingForURI="true"/>

找到这一段，添加URIEncoding="UTF-8" useBodyEncodingForURI="true"。
重启一下Tomcat

参考

• http://blog.csdn.net/horizon_wing/article/details/52220888

• http://blog.csdn.net/u012965107/article/details/71175847

• http://blog.csdn.net/u010993983/article/details/40071863

• http://blog.csdn.net/jiutao_tang/article/details/6461884/

---

创建于 2017-10-19 北京，更新于 2017-10-23 北京

该文章在以下平台同步
- HICOOL.TOP: https://www.hicool.top/article/447
- CSDN: http://blog.csdn.net/socho/article/details/78302150
- 简书: http://www.jianshu.com/p/2e2d5f00de22