【Nutch】Linux下Nutch分布式配置和使用

来源：互联网发布：sd卡删除数据恢复编辑：程序博客网时间：2024/05/13 15:25

Linux下Nutch分布式配置和使用

介绍.2

0集群网络环境介绍.2

1 /etc/hosts文件配置.2

2 SSH无密码验证配置.2

2.1配置所有节点之间SSH无密码验证.2

3 JDK安装和Java环境变量配置.3

3.1安装 JDK 1.63

3.2 Java环境变量配置.4

4 Hadoop集群配置.4

5 Hadoop集群启动.6

6 Nutch分布式爬虫.9

6.1配置Nutch配置文件.9

6.2执行Nutch分布式爬虫.10

7 Nutch检索.13

7.1 Windows下Nutch单机搜索本地索引数据.13

7.2 Linux下Nutch单机搜索本地索引数据.14

7.2.1 WEB前端搜索.14

7.2.2命令行搜索.15

7.3 Linux下Nutch搜索HDFS中索引数据.15

7.3.1 WEB前端搜索.16

7.3.2命令行搜索.17

附 Nutch-1.1介绍.18

介绍

这是本人在完全分布式环境下在Cent-OS中配置Nutch-1.1时的总结文档，但该文档适合所有Linux系统和目前各版本的nutch。

0集群网络环境介绍

集群中所有节点均是Cent-OS系统，防火墙均禁用，sshd服务均开启；所有节点上均有一个名为nutch的用户(非超级用户，安装前root使用useradd添加)，用户主目录是/home/nutch。

集群包含三个节点：1个namenode，2个datanode，节点之间局域网连接，可以相互ping通。节点IP地址和主机名分布如下：

10.10.97.132 gc03vm12 namenode

10.10.97.142 gc04vm12 datanode01

10.10.97.144 gc04vm14 datanode02

本配置将Nutch安装在/home/nutch/nutchinstall目录下。一般最好建议安装在其它非主目录路径下，例如/usr/local下，但此时需要使nutch用户对目录有rwx权限（nutch用户对主目录有rwx权限），一般做法是root用户在/usr/local下创建一个目录，并修改该目录拥有者为nutch(chown –R nutch:nutch 目录路径)。

1 /etc/hosts文件配置

namenode节点上vi /etc/hosts，将所有节点的名字和IP地址写入其中，写入如下内容，注意注释掉127.0.0.1行：

10.10.97.132 gc03vm12

10.10.97.142 gc04vm12

10.10.97.144 gc04vm14

# 127.0.0.1 centos54 localhost.localdomain localhost

/etc/hosts文件需要复制到所有数据节点上。

2 SSH无密码验证配置

Nutch是基于Hadoop的，Hadoop需要使用SSH协议，namenode将使用SSH协议启动namenode和datanode进程，datanode向namenode传递心跳信息可能也是使用SSH协议，这是我认为的，还没有做深入了解，datanode之间可能也需要使用SSH协议。假若是，则需要配置使得所有节点之间可以相互SSH无密码登陆验证)。

2.1配置所有节点之间SSH无密码验证

(0)原理

节点A要实现无密码公钥认证连接到节点B上时，节点A是客户端，节点B是服务端，需要在客户端A上生成一个密钥对，包括一个公钥和一个私钥，而后将公钥复制到服务端B上。当客户端A通过ssh连接服务端B时，服务端B就会生成一个随机数并用客户端A的公钥对随机数进行加密，并发送给客户端A。客户端A收到加密数之后再用私钥进行解密，并将解密数回传给B，B确认解密数无误之后就允许A进行连接了。这就是一个公钥认证过程，其间不需要用户手工输入密码。重要过程是将客户端A公钥复制到B上。

因此如果要实现所有节点之间无密码公钥认证，则需要将所有节点的公钥都复制到所有节点上。

(1)所有机器上生成密码对

(a)所有节点用nutch用户登陆，并执行以下命令，生成rsa密钥对:

zkl@zkl-ubuntu:~$ ssh-keygen -t rsa

Generating public/private rsa key pair.

Enter file in which to save the key (/home/zkl/.ssh/id_rsa): 默认路径

Enter passphrase (empty for no passphrase): 回车，空密码

Enter same passphrase again:

Your identification has been saved in /home/zkl/.ssh/id_rsa.

Your public key has been saved in /home/zkl/.ssh/id_rsa.pub.

这将在/home/nutch/.ssh/目录下生成一个私钥id_rsa和一个公钥id_rsa.pub。

(b)将所有datanode节点的公钥id_rsa.pub传送到namenode上:

cp id_rsa.pub datanode01.id_rsa.pub

scp datanode01.id_rsa.pub namenode节点ip地址:/home/nutch/.ssh

......

cp id_rsa.pub datanode0n.id_rsa.pub

(c)namenode节点上综合所有公钥(包括自身)并传送到所有节点上

cp id_rsa.pub authorized_keys namenode自己的公钥

cat datanode01.id_rsa.pub >> authorized_keys

......

cat datanode0n.id_rsa.pub >> authorized_keys

然后使用SSH协议将所有公钥信息authorized_keys复制到所有DataNode的.ssh目录下

zkl@zkl-ubuntu:~$ scp authorized_keys data节点ip地址:/home/zkl/.ssh

这样配置过后，所有节点之间可以相互SSH无密码登陆，可以通过命令

“ssh节点ip地址”来验证。

3 JDK安装和Java环境变量配置

3.1安装 JDK 1.6

root用户登陆，在Namenode节点上新建文件夹/usr/program，下载JDK安装包jdk-6u13-linux-i586.bin,复制到目录/usr/ program下，在命令行进入该目录，执行命令“./ jdk-6u13-linux-i586.bin”，命令运行完毕，将在目录下生成文件夹jdk1.6.0_13，安装完毕。

安装完成后，修改/usr/program目录拥有着为nutch用户，

Chown -R nutch:nutch /usr/program

/usr/ program目录需要复制到所有数据节点上。

3.2 Java环境变量配置

root用户登陆，命令行中执行命令”vi /etc/profile”,并加入以下内容，配置环境变量(注意/etc/profile这个文件很重要，后面Hadoop的配置还会用到)。

# set java environment

export JAVA_HOME=/usr/program/jdk1.6.0_13/

export JRE_HOME=/usr/program/jdk1.6.0_13/jre

export CLASSPATH=.:$JAVA_HOME/lib:$JAVA_HOME/jre/lib

export PATH=$JAVA_HOME/bin:$JAVA_HOME/jre/bin:$PATH

保存并退出，执行以下命令使配置生效

chmod +x /etc/profile

source /etc/profile

配置完毕，在命令行中使用命令”java -version”可以判断是否成功。

在nutch下测试java -version

/etc/profile复制到所有数据节点上。

4 Hadoop集群配置

在namenode上执行:

下载nutch-1.0，将其解压到/home/nutch/nutchinstall目录下，使用如下命令:

tar zxvf nutch-1.0.tar.gz

(1)配置Hadoop的配置文件

(a)配置hadoop-env.sh

$ vi nutch-1.0/conf/hadoop-env.sh

# set java environment

export JAVA_HOME=/usr/program/jdk1.6.0_13/

(b)配置conf/hadoop-site.xml

Hadoop配置参数的含义请参考Hadoop-default.xml，在lib/hadoop-xxx.core.jar中能找到。

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<!— core / core-site.xml -->

<property>
        <name>master.node</name>
        <value>gc03vm12</value>
        <description> </description>
</property>

<property>
        <name>hadoop.tmp.dir</name>
        <value>/local/zkl/hadoop/hadoop-0.20.2-append/tmp</value>
        <description>本地文件夹</description>
</property>

<property>
        <name>fs.default.name</name>
        <value>hdfs://${master.node}:9000</value>
        <description> HDFS的URI，文件系统://namenode标识:端口号 </description>
</property>

<!— hdfs / hdfs-site.xml -->

<property>
     <name>dfs.name.dir</name>
     <value>${hadoop.tmp.dir}/hdfs/name</value>
     <description> 本地文件夹，namenode上存储hdfs名字空间元数据 </description>
</property>

<property>
     <name>dfs.data.dir</name>
     <value>${hadoop.tmp.dir}/hdfs/data</value>
     <description> 本地文件夹，datanode上数据块的物理存储位置 </description>
</property>

<property>
     <name>dfs.replication</name>
     <value>2</value>
     <description> 副本个数，不配置默认是3,应不大于datanode机器数量</description>
</property>

<property>
        <name>mapred.job.tracker</name>
        <value>${master.node}:9001</value>
        <description> jobtracker标识:端口号，不是URI </description>
</property>

<property>
        <name>mapred.local.dir</name>
        <value>${hadoop.tmp.dir}/mapred/local</value>
        <description> tasktracker上执行mapreduce程序时的本地目录 </description>
</property>

<property>
        <name>mapred.system.dir</name>
        <value>/tmp/mapred/system</value>
        <description> 这个是hdfs中的目录，存储执行mr程序时的共享文件 </description>
</property>

</configuration>

(c)配置masters文件,加入namenode的主机名

gc03vm12

(d)配置slaves文件,加入所有datanode的主机名

gc04vm12

gc04vm14

(2)复制配置好的各文件到所有数据节点上。

root用户下:

scp /etc/hosts 数据节点ip地址:/etc/hosts

scp /etc/profile 数据节点ip地址:/etc/profile

scp /usr/program 数据节点ip地址:/usr/program

nutch用户下:

scp /home/nutch/nutchinsta 数据节点ip地址:/home/nutch/

5 Hadoop集群启动

Namenode执行：

格式化namenode，格式化后在namenode生成了hdfs/name文件夹

bin/hadoop namenode –format

启动hadoop所有进程，

bin/start-all.sh（或者先后执行start-dfs.sh和start-mapreduce.sh）。

可以通过以下启动日志看出，首先启动namenode,然后启动datanode1,datanode2,然后启动secondarynamenode。再启动jobtracker,然后启动tasktracker1,最后启动tasktracker2。

启动hadoop成功后，在namenode中生成了hadooptmp文件夹，在datanode中生成了hdfs文件夹和mapred文件夹。

namenode上用java自带的小工具jps查看进程

zkl@zkl-ubuntu:~/$ jps

8383 JobTracker

8733 Jps

8312 SecondaryNameNode

8174 NameNode

每个datanode上查看进程

zkl@zkl-ubuntu:~/$ jps

7636 DataNode

7962 Jps

7749 TaskTracker

在namenode上查看集群状态

bin/hadoop dfsadmin –report

Configured Capacity: 16030539776 (14.93 GB)

Present Capacity: 7813902336 (7.28 GB)

DFS Remaining: 7748620288 (7.22 GB)

DFS Used: 65282048 (62.26 MB)

DFS Used%: 0.84%

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

Datanodes available: 2 (2 total, 0 dead)

Name: 10.10.97.142:50010

Decommission Status : Normal

Configured Capacity: 8015269888 (7.46 GB)

DFS Used: 32641024 (31.13 MB)

Non DFS Used: 4364853248 (4.07 GB)

DFS Remaining: 3617775616(3.37 GB)

DFS Used%: 0.41%

DFS Remaining%: 45.14%

Last contact: Thu May 13 06:17:57 CST 2010

Name: 10.10.97.144:50010

Decommission Status : Normal

Configured Capacity: 8015269888 (7.46 GB)

DFS Used: 32641024 (31.13 MB)

Non DFS Used: 3851784192 (3.59 GB)

DFS Remaining: 4130844672(3.85 GB)

DFS Used%: 0.41%

DFS Remaining%: 51.54%

Last contact: Thu May 13 06:17:59 CST 2010

Hadoop的web方式查看：http:// namenode ip地址:50070

Hadoop查看工作情况:http:// namenode ip地址:50030

6 Nutch分布式爬虫

6.1配置Nutch配置文件

(1)配置所有节点上的conf/nutch-site.xml文件

nutch-site.xml文件

<?xml version="1.0"?>

<?xml-stylesheet type="text/xsl" href="configuration.xsl"?>

<name>http.agent.name</name>

<value>nutch-1.0</value>

<description>爬虫和搜索此参数必须配置</description>

</property>

</configuration>

(2)配置所有节点上的conf/crawl-urlfilter.txt文件

# skip file:, ftp:, & mailto: urls

-^(file|ftp|mailto):

# 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)$

# skip URLs containing certain characters as probable queries, etc.

-[?*!@=]

# skip URLs with slash-delimited segment that repeats 3+ times, to break loops

-.*(/[^/]+)/[^/]+/1/[^/]+/1/

# accept hosts in MY.DOMAIN.NAME

#允许下载所有

# skip everything else

6.2执行Nutch分布式爬虫

Nutch爬虫命令是:

bin/nutch Crawl <urlDir> [-dir d] [-threads n] [-depth i] [-topN N]

其中的<urlDir>参数是入口地址文件或其所在的目录，启动了集群进行分布式爬虫时，这个目录必须是HDFS中的目录，爬虫完毕将在HDFS中生成存有爬下来的数据的目录[-dir d]。

(1)入口地址文件

在本地磁盘中新建一个文件，写入一个入口url，然后将其复制到HDFS中，使用如下命令:
bin/hadoop dfs -copyFromLocal crawltest/urls urls

(3)爬虫测试，在namenode、datanode或者与集群网络连通的安装有Hadoop或者nutch并且hadoop-site.xml配置相同的客户机上上均可使用如下命令分布式爬虫:

bin/nutch crawl urls -dir data -depth 3 -topN 10

crawl started in: data

rootUrlDir = urls

threads = 10

depth = 3

topN = 10

Injector: starting

Injector: crawlDb: data/crawldb

Injector: urlDir: urls

Injector: Converting injected urls to crawl db entries.

Injector: Merging injected urls into crawl db.

Injector: done

Generator: Selecting best-scoring urls due for fetch.

Generator: starting

Generator: segment: data/segments/20100513022002

Generator: filtering: true

Generator: topN: 10

Generator: Partitioning selected urls by host, for politeness.

Generator: done.

Fetcher: Your 'http.agent.name' value should be listed first in 'http.robots.agents' property.

Fetcher: starting

Fetcher: segment: data/segments/20100513022002

Fetcher: done 第一层的网页下载完毕，depth=0

CrawlDb update: starting

CrawlDb update: db: data/crawldb

CrawlDb update: segments: [data/segments/20100513022002]

CrawlDb update: additions allowed: true

CrawlDb update: URL normalizing: true

CrawlDb update: URL filtering: true

CrawlDb update: Merging segment data into db.

CrawlDb update: done

Generator: Selecting best-scoring urls due for fetch.

Generator: starting

Generator: segment: data/segments/20100513022124

Generator: filtering: true

Generator: topN: 10

Generator: 0 records selected for fetching, exiting ...

Stopping at depth=1 - no more URLs to fetch. 此处就停止了，不能下载第二层的网页，正常情况下是不会出现此错误的。

LinkDb: starting

LinkDb: linkdb: data/linkdb

LinkDb: URL normalize: true

LinkDb: URL filter: true

LinkDb: adding segment:

hdfs://gc03vm12:9000/user/nutch/data/segments/20100513022002

LinkDb: done

Indexer: starting

Indexer: done

Dedup: starting

Dedup: adding indexes in: data/indexes

Dedup: done

merging indexes to: data/index

Adding hdfs://gc03vm12:9000/user/nutch/data/indexes/part-00000

done merging

crawl finished: data

爬虫完毕，hdfs中生成data目录，data目录下面有这些子目录：crawldb,index,

indexes,linkdb,segments。所有节点上的爬虫日志在logs/hadoop.log中。上述“Stopping at depth=1 - no more URLs to fetch.”这个错误不知何故，我在另几台机器上相同配置爬虫却没有出现任何错误，不知何原因。一般情况下按此配置没有任何问题。

从浏览器中可以查看到分布式爬虫时作业状态：

7 Nutch检索

Nutch的爬虫和搜索可以说是分离的两块，爬虫可以是M/R作业，但搜索不是M/R作业。搜索有两种方式：一是将爬虫数据(或者称索引数据)放在本地硬盘，进行搜索。二是直接搜索HDFS中的爬虫数据。

Nutch自带了一个WEB前端检索程序，即主目录下的nutch-x.x.war，实现WEB前端检索时需要安装Tomcat，执行应用程序。此外，在命令行中也可执行Nutch检索命令。

7.1 Windows下Nutch单机搜索本地索引数据

(1)将HDFS中生成的存储爬虫数据的data目录复制到本地，并将data目录拷贝到windows下的某个目录中，例如D盘下。

bin/hadoop fs –copyToLocal data data

(2)安装tomcat，请确保安装路径没有空格，这很重要，在windows上如果有空格将导致搜索结果始终为0。启动tomcat服务。

(3)将Nutch主目录下的WEB前端程序nutch-1.0.war复制到 ***/ tomcat/webapps/目录下。

(4)浏览器中输入http://localhost:8080/nutch-1.0，将自动解压nutch-1.0.war，在webapps下生成nutch-1.0目录。

(5)配置WEB前端程序中的nutch-site.xml文件，该文件所在目录是***/tomcat/webapps/nutch-1.0/WEB-INF/classes/下，配置如下：

<name>http.agent.name</name> 不可少，否则无搜索结果

<value>nutch-1.0</value>

<description>HTTP 'User-Agent' request header.</description>

</property>

<name>searcher.dir</name>

<value>D:/data< alue> data是爬虫生成的索引数据目录。参数值请使用绝对路径

<description>Path to root of crawl.</description>

</property>

(6)重启tomcat。更改配置文件后必须重启tomcat，否则不会生效。

(7)在http://localhost:8080/nutch-1.0下检索关键字。

7.2 Linux下Nutch单机搜索本地索引数据

7.2.1 WEB前端搜索

(1)将HDFS中生成的存储爬虫数据的data目录复制到本地某一目录下。

bin/hadoop fs –copyToLocal data data

(2)安装tomcat，请确保安装路径没有空格，这很重要，否则将导致搜索结果始终为0。安装完后启动tomcat服务，bin/catalina start。

(3)将Nutch主目录下的WEB前端程序nutch-1.0.war复制到 ***/ tomcat/webapps/目录下。

(4)浏览器中输入http://localhost:8080/nutch-1.0，将自动解压nutch-1.0.war，在webapps下生成nutch-1.0目录。

(5)配置WEB前端程序中的nutch-site.xml文件，该文件所在目录是***/tomcat/webapps/nutch-1.0/WEB-INF/classes/下，配置如下：

<name>http.agent.name</name> 不可少，否则无搜索结果

<value>nutch-1.0</value>

<description>HTTP 'User-Agent' request header.</description>

</property>

<name>searcher.dir</name>

<value>/home/nutch/nutchinstall/crawltest/data< alue>

data是爬虫生成的索引数据目录。参数值请使用绝对路径

<description>Path to root of crawl.</description>

</property>

(6)重启tomcat,可以先执行bin/catalina stop停止再start。更改配置文件后必须重启tomcat，否则不会生效。

(7)在http://localhost:8080/nutch-1.0下检索关键字。

7.2.2命令行搜索

(1)机器上安装nutch，即解压nutch软件包即可。

(2)配置nutch主目录下conf目录下的hadoop-site.xml和nutch-site.xml文件。

由于是单机模式搜索，使用的是本地文件系统，hadoop-site.xml中不要做任何配置；nutch-site.xml中和以上配置一致

(3)使用命令检索

bin/nutch org.apache.nutch.searcher.NutchBean apache

Total hits: 10

0 20100518233933/http://10.10.97.132:8080/docs/

... changes made to Apache Tomcat. Status - Apache Tomcat development status. Developers - List ... for Apache Tomcat's internals.

1 20100518234217/http://10.

7.3 Linux下Nutch搜索HDFS中索引数据

分布式爬虫时Nutch生成的索引数据存储的HDFS中，nutch支持搜索HDFS中的数据。检索HDFS中的索引数据和检索本地种的索引数据的配置差别是hadoop-site.xml文件。搜索hdfs中的数据时，nutch在搜索的时候首先通过rpc检索lucene索引文件，然后定位到segment对应的14位数字时间作为文件夹的名字，然后从这个文件夹中获取结果信息的。

7.3.1 WEB前端搜索

(0)选择一台机器，该机器可以是Hadoop集群中的节点，也可以是集群之外的机器，但保证机器和Hadoop集群网络连通。

(1)安装tomcat，请确保安装路径没有空格，这很重要，否则将导致搜索结果始终为0。安装完后启动tomcat服务，bin/catalina start。

(3)将Nutch主目录下的WEB前端程序nutch-1.0.war复制到 ***/ tomcat/webapps/目录下。

(4)浏览器中输入http://localhost:8080/nutch-1.0，将自动解压nutch-1.0.war，在webapps下生成nutch-1.0目录。

(5)配置WEB前端程序中的hadoop-site.xml文件，该文件所在目录是***/tomcat/webapps/nutch-1.0/WEB-INF/classes/下。至少需要配置fs.default.name参数，指定HDFS文件系统URI：

<name>fs.default.name</name>

</property>

</configuration>

(6)配置WEB前端程序中的nutch-site.xml文件，该文件所在目录是***/tomcat/webapps/nutch-1.0/WEB-INF/classes/下，配置如下：

<name>http.agent.name</name> 不可少，否则无搜索结果

<value>nutch-1.0</value>

<description>HTTP 'User-Agent' request header.</description>

</property>

<name>searcher.dir</name>

<value>/user/nutch/data</value>

<!—

该值是HDFS中的目录，这里是绝对路径，即爬虫生成的data目录在HDFS中的/user/nutch/data目录下。

由Hadoop-site.xml中的fs.default.name参数可以决定它的HDFS绝对路径是：

hdfs://gc04vm12:9000/user/nutch/data

对应HDFS中的目录情况如下:

hdfs中的目录情况

bin/hadoop dfs -ls

drwxr-xr-x - nutch supergroup 0 2010-05-18 17:31 /user/nutch/data

-->

<description> index dir </description>

</property>

(6)重启tomcat,可以先执行bin/catalina stop停止，再start。更改配置文件后必须重启tomcat，否则不会生效。

(7)在http://localhost:8080/nutch-1.0下检索关键字。

7.3.2命令行搜索

(0)选择一台机器，该机器可以是Hadoop集群中的节点，也可以是集群之外的机器，但保证机器和Hadoop集群网络连通。

(1)集群之外的机器上必须安装nutch并做相关配置，安装即解压nutch软件包即可。

(2)配置Nutch主目录下的hadoop-site.xml和nutch-site.xml文件

配置hadoop-site.xml文件，至少需要配置fs.default.name参数，指定HDFS文件系统URI：

<name>fs.default.name</name>

</property>

</configuration>

配置nutch-site.xml文件，配置如下：

<name>http.agent.name</name> 不可少，否则无搜索结果

<value>nutch-1.0</value>

<description>HTTP 'User-Agent' request header.</description>

</property>

<name>searcher.dir</name>

<value>/user/nutch/data</value>

<!—

该值是HDFS中的目录，这里是绝对路径，即爬虫生成的data目录在HDFS中的/user/nutch/data目录下。

由Hadoop-site.xml中的fs.default.name参数可以决定它的HDFS绝对路径是：

hdfs://gc04vm12:9000/user/nutch/data

对应HDFS中的目录情况如下:

hdfs中的目录情况

bin/hadoop dfs -ls

drwxr-xr-x - nutch supergroup 0 2010-05-18 17:31 /user/nutch/data

-->

<description> index dir </description>

</property>

(3)使用命令检索

bin/nutch org.apache.nutch.searcher.NutchBean apache

Total hits: 10

0 20100518233933/http://10.10.97.132:8080/docs/

... changes made to Apache Tomcat. Status - Apache Tomcat development status. Developers - List ... for Apache Tomcat's internals.

1 20100518234217/http://10.

附 Nutch-1.1介绍

nutch-1.1使用的是hadoop-0.20.2，目前还未发布，但在SVN上能够下载到，http://svn.apache.org/repos/asf/nutch/tags/1.1/。

刚刚下载下来的nutch-1.1源码包编译前需要把plugin.floder属性由plugins改成src/plugin ,还需要在conf下面把相关的*.template文件重命名为*。然后再ant,编译生成jar文件。

Apache所有开源项目下载地址是：http://archive.apache.org/dist/