Nutch1.9安装配置与基本使用介绍

原文地址：http://blog.csdn.net/fyfmfof/article/details/42522981

一、Nutch1.9的安装配置

环境：Ubuntu14.10
在官网下载apache-nutch-1.9-src.tar.gz压缩包
官网地址：http://nutch.apache.org/downloads.html
进入压缩包所在目录，用tar–zxvf apache-nutch-1.9-src.tar.gz解压
进入解压出来的目录apache-nutch-1.9
使用ant命令进行编译，如果系统没有安装ant则先用sudo apt-get install ant命令安装
编译后会出现一个runtime目录，进入后有2个目录，一个deploy，一个local，deploy目录下是利用hadoop进行分布式爬取使用的，这里我先用local模式进行命令说明。
进入local目录下的conf目录，在nutch-site.xml文件中添加

<property> <name>http.agent.name</name> <value>Guardian</value> <description>HTTP 'User-Agent' request header. MUST NOT be empty - please set this to a single word uniquely related to your organization. NOTE: You should also check other related properties:   http.robots.agents   http.agent.description   http.agent.url   http.agent.email   http.agent.version  andset their values appropriately. </description></property>

至此配置完成，可以在local模式下开始爬取了

nutch与solr的集成配置详见Solr4.10.2集成Nutch1.9与自带UI界面使用

二、Nutch1.9的爬取命令

1.循环迭代爬取

进入local目录下后可以通过执行bin/crawl看到爬取命令的提示
bin/crawl <seedDir> <crawDir><solrURL> <numberOfRounds>
seedDir :url文件目录，在此目录下创建txt文件写入要爬取的url入口，txt文件可以为若干个。
crawDir：爬取数据存放目录，自由指定一个文件夹即可。
solrURL：solr配置好的url，这里我没配置好solr先设置为空
numberOfRounds：迭代次数

根据命令提示(如果还没有安装配置solr的话，可以先把solrURL设置一个不存在的值，但此时迭代爬取只会执行一轮然后在solr索引时异常退出)，在local目录下创建一个urls目录在里面创建一个txt文件写入要爬取的url入口(一行一条)，于是我们在local目录下执行下面的命令：
bin/crawl urls data http://localhost:8080/solr 3

然后可以看到运行结果如下：

2. nutch单步爬取命令

①inject 注入url(只执行一次就好)

Usage: Injector 示例：
bin/nutch inject data/crawldb/ urls

②generate 迭代初始化

Usage: Generator 示例：
bin/nutch generate data/crawldb/ data/segments/

③fetch 抓取

Usage: Fetcher [-threads n]示例：
bin/nutch fetch data/segments/20150125005942/

④parse解析

Usage: ParseSegment segment [-noFilter] [-noNormalize]示例：
bin/nutch parse data/segments/20150125005942/

⑤updatedb 更新

Usage: CrawlDb (-dir | …)示例：
bin/nutch updatedb data/crawldb/ data/segments/20150125005942/

补充：以上命令参数未介绍完整，命令不清楚参数或命令下有哪些子选项可以输入bin/nutch、bin/nutch inject类似的命令，nutch会给出提示。

3. nutch的爬取循环示意图

在运行的日志输出中我们可以清楚看到nutch的运行步骤，nutch的爬取循环示意图如下：

在运行完crawl命令后，在指定的数据文件夹中会产生3个目录：crawdb、linkdb、segments
Crawdb：爬取数据的总体信息集合，多次爬取数据的爬取信息会在此文件夹中存放。
Linkdb：链接反转信息集合，多次数据的链接反转信息会在此文件夹中存放。
Segments：按照每次的爬取会生成新的文件夹，每个文件夹用日期标注，每个文件夹内存放了爬取状态，解析内容等相关详细信息。
以上3个文件夹中信息均为二进制的形式存放，文本转换在下面的命令会介绍到。

每个Segment中也有6个子目录，内容如下：
Content：页面内容(html、xml等)
Fetch：抓取状态及相关信息
Generate：抓取列表及相关信息
Parse：解析列表及相关信息
Parse_data：解析结果链接相关信息(outlink)
Parse_text：解析结果文本相关信息

4.Nutch整体框架图如下：

注：nutch1.2版本后lucene index模块取消，移交solr进行对应处理

三、Nutch1.9的读取命令

对应之前的三个文件夹，nutch的读取信息有3个，reabdb、readlinkdb、readseg，因为前面三个文件夹的信息均为二进制存储，所以要使用这三个指令来进行相应数据的读取和查询。

1.bin/nutch readdb

readdb
-stats 显示当前爬取信息的总体统计信息
-dump 以文本的方式导出总体url的相关信息
-url 以特定的url来查询对应概要信息
-topN 将前N个url导出文本信息，还可以设置以score的方式排列和用min值来过滤
示例：
bin/nutch readdb data/crawldb/ -stats
bin/nutch readdb data/crawldb/ -dump data/crawldb_dump

2. bin/nutch readseg

readseg (对应到segments下的子目录)
-dump 文本导出–no*可以选择去掉不要的内容
-list 查询每个segement的状态信息
-get 获取特定url相关信息
示例(只dump出parsetext部分)：
bin/nutch readseg -dump data/segments
/20150125005942/ data/parsetext_dump -nocontent -nofetch -nogenerate -noparse -noparsedata

3. bin/nutch readlinkdb

-dump 导出链接分析相关文本(反转链接等)
-url 查找特定链接相关信息(链入信息)
示例：
bin/nutch readlinkdb data/linkdb/ -dump data/linkdb_dump

四、Nutch1.9的其他工具命令

1.当小段过多需要合并压缩命令

对应到三个主data文件有
mergedb、mergelinkdb、mergesegs

2.parsechecker

对一个url进行解析测试，用来检测爬取解析相关信息

3.domainstats

域信息统计
host/domain/suffix/tld 四个统计范围从小到大
就http://www.gome.com.cn/*来说
host就是www.gome.com.cn
domain就是gome.com.cn(去掉第一个)
suffix就是com.cn(去掉前2个)
tld就是cn(最后一个)

4.webgraph

针对已抓取的信息建立3个数据库
outlinkdb 输出链接
inlinkdb 输入链接
nodedb 分值
这些信息依旧是用二进制进行存储的

5.nodedumper

将webgraph中的二进制以文本输出，可自定义topn与排序规则
-group可以以

6.linkrank

按照nutch默认的方式计算每个链接的score

7.scoreupdater

对crawldb更新所有在webgraphdb中计算出来的值，其他则score清零

8.freegen

轻量级抓取，相对于generate命令来说略过了crawldb库直接从指定url生成抓取列表
generate是从crawldb中获取抓取列表

注：上述内容并未完整包含nutch所有命令，只列举了常用基本命令和整体介绍