Nutch入门白话版
来源:互联网 发布:中京创意域名交易中心 编辑:程序博客网 时间:2024/04/28 19:40
不得不说,Nutch的入门官方文档写的真不清晰明了。害的我按照官方文档折腾半天。
Nutch现在已经到了2.2.2版本,而且版本1.x已经更新到了1.8,这里以1.7为例,1.8中的部分命令行工具的API有变,入门时不是很容易。
#安转运行Nutch#
- 下载安装Nutch
- 在${NUTCH_HOME}下,mkdir urls
- cd urls
- touch seed.txt
- edit seed.txt ,write :http://nutch.apache.org
- edit ${NUTCH_HOME}/conf/regex.urlfilter.txt
- replace
```
'#accept anything else
+.
```
with
```
+^http://([a-z0-9]*\.)*nutch.apache.org/
```
- 爬取网页: bin/nutch crawl urls -dir crawl -depth 3 -topN 5
注意:此命令1.8版本有改变
#安装Solr#
- 下载安装Solr,我使用的时最新版的4.8
- cd ${SOLR_HOME}/example
- java -jar start.jar
- 验证安装:http://localhost:8983/solr/
#Nutch和Solr集成#
这里要注意:文档说了那么多其实只有两件事:
+ 使用${NUTCH_HOME}/conf/schema-solr4.xml 替换掉${SOLR_HOME}/example/solr/collection1/conf/schema.xml ,并将schema-solr4.xml改名为schema.xml
+ 在schema.xml中第351行后面(其实只要添加在types标签中即可)添加:<field name="_version_" type="long" indexed="true" stored="true"/>
到这里集成就完成了。现在只要重新启动solr,并用下面的命令将Nutch爬取的数据索引到solr即可。
在${NUTCH_HOME}下,运行:
```
bin/nutch solrindex http://127.0.0.1:8983/solr/ crawl/crawldb -linkdb crawl/linkdb crawl/segments/*
```
然后访问:http://localhost:8983/solr/
Nutch现在已经到了2.2.2版本,而且版本1.x已经更新到了1.8,这里以1.7为例,1.8中的部分命令行工具的API有变,入门时不是很容易。
#安转运行Nutch#
- 下载安装Nutch
- 在${NUTCH_HOME}下,mkdir urls
- cd urls
- touch seed.txt
- edit seed.txt ,write :http://nutch.apache.org
- edit ${NUTCH_HOME}/conf/regex.urlfilter.txt
- replace
```
'#accept anything else
+.
```
with
```
+^http://([a-z0-9]*\.)*nutch.apache.org/
```
- 爬取网页: bin/nutch crawl urls -dir crawl -depth 3 -topN 5
注意:此命令1.8版本有改变
#安装Solr#
- 下载安装Solr,我使用的时最新版的4.8
- cd ${SOLR_HOME}/example
- java -jar start.jar
- 验证安装:http://localhost:8983/solr/
#Nutch和Solr集成#
这里要注意:文档说了那么多其实只有两件事:
+ 使用${NUTCH_HOME}/conf/schema-solr4.xml 替换掉${SOLR_HOME}/example/solr/collection1/conf/schema.xml ,并将schema-solr4.xml改名为schema.xml
+ 在schema.xml中第351行后面(其实只要添加在types标签中即可)添加:<field name="_version_" type="long" indexed="true" stored="true"/>
到这里集成就完成了。现在只要重新启动solr,并用下面的命令将Nutch爬取的数据索引到solr即可。
在${NUTCH_HOME}下,运行:
```
bin/nutch solrindex http://127.0.0.1:8983/solr/ crawl/crawldb -linkdb crawl/linkdb crawl/segments/*
```
然后访问:http://localhost:8983/solr/
0 0
- Nutch入门白话版
- Nutch 入门
- Nutch入门
- Nutch 快速入门(Nutch 1.7)
- nutch入门学习
- Nutch入门学习
- nutch使用入门
- Nutch 快速入门(Nutch 2.2.1)
- Nutch 快速入门(Nutch 2.2.1)
- Nutch 快速入门(Nutch 2.2.1)
- 白话 Ajax 及其入门基础
- 内存模型之白话入门
- nutch 初体验-入门篇
- 白话版session
- 白话版SAP HR
- 白话版出师表
- 关于多线程白话版
- 快速排序 白话版
- Mac上NDK环境的搭建
- Maven提高篇系列之二——配置Plugin到某个Phase(以Selenium集成测试为例)
- [LeetCode]Implement strStr()
- 【Python】类和对象变量
- 动态内存分配和释放
- Nutch入门白话版
- JVM
- Mysql索引
- c语言字符串操作函数
- linux利用wget命令备份网站(镜像拷贝)
- iOS main函数详细介绍
- 怎样设置Eclipse编码区的字体大小
- KMP
- 区分JS中的undefined,null,"",0和false