Nutch2.2.1 开发环境搭建



1. 环境准备

需要的环境有jdk1.7，Eclipse，SVN，ant，以及Eclipse下的两个插件subclipse和IvyDe，下载地http://subclipse.tigris.org/update_1.8.x和http://www.apache.org/dist/ant/ivyde/updatesite。

2.从SVN检出项目

地址https://svn.apache.org/repos/asf/nutch/tags/release-2.2.1

3.修改ivy目录下的ivysetting.xml

地址http://mirrors.ibiblio.org/maven2/

4.修改ivy.xml

修改ivy目录下的ivy.xml（增加mysql访问依赖java包），修改gora-core版本为0.2.1，并解除注释gora-sql和mysql-connector-java

5. 执行ANT
Cd 到目录执行Ant eclipse(直接在Eclipse下ant build貌似有问题)

6. 回到Eclipse中，设置工程编码为UTF-8

7.修改gora.properties

修改Conf文件夹下gora.properties配置mysql
#Default MySQL properties        #
###############################
gora.datastore.default=org.apache.gora.sql.store.SqlStore
gora.datastore.autocreateschema=true
gora.sqlstore.jdbc.driver=com.mysql.jdbc.Driver
gora.sqlstore.jdbc.url=jdbc:mysql://localhost:3306/nutch?createDatabaseIfNotExist=true&useUnicode=true&characterEncoding=utf8&autoReconnect=true&zeroDateTimeBehavior=convertToNull
gora.sqlstore.jdbc.user=root
gora.sqlstore.jdbc.password=123456

8.新建URL文件夹

工程目录下新建文件夹urls，urls目录下新建一个文件url，里面输入要爬取的root_url，比如http://www.qq.com

9.修改Nutch-set.xml

<property>
  <name>http.agent.name</name>
  <value>YourNutchSpider</value>
 </property>
 
 <property>
  <name>http.accept.language</name>
  <value>ja-jp, en-us,en-gb,en,zh-cn,zh-tw;q=0.7,*;q=0.3</value>
  <description>Value of the “Accept-Language” request header field.
  This allows selecting non-English language as default one to retrieve.
  It is a useful setting for search engines build for certain national group.</description>
 </property>
 
 <property>
  <name>parser.character.encoding.default</name>
  <value>utf-8</value>
  <description>The character encoding to fall back to when no other information
  is available</description>
 </property>
 
 <property>
  <name>plugin.folders</name>
  <value>src/plugin</value>
  <description>Directories where nutch plugins are located. Each
  element may be a relative or absolute path. If absolute, it is used
  as is. If relative, it is searched for on the classpath.</description>
 </property>
</pre><pre name="code" class="html"><!-- 为解决utf-8类中的空指针问题 -->
<property>
<span> </span><name>generate.batch.id</name>
<span> </span><value>*</value>
</property>
 
 <property>
  <name>storage.data.store.class</name>
  <value>org.apache.gora.sql.store.SqlStore</value>
  <description>The Gora DataStore class for storing and retrieving data.
  Currently the following stores are available: ….</description>
 </property>

10 .配置nutch的运行参数

配置完上述步骤后配置命令运行Run Configuration选择org.apache.nutch.crawl.Crawler，参数设置urls -depth 3 -topN 5和-Dhadoop.log.dir=logs -Dhadoop.log.file=hadoop.log

11. 解决windows下的问题

上述错误一般只是windows下才会遇到的，所以我们一般的做法是找到Hadoop-core-1.2.0源码中的org.apache.hadoop.fs下的FileUtil.java修改其中的CheckReturnValue方法，注释掉其中的内容
private static void checkReturnValue(boolean rv, File p, 
  FsPermission permission
  ) throws IOException {
//    if (!rv) {
//      throw new IOException("Failed to set permissions of path: " + p + 
//                            " to " + 
//                            String.format("%04o", permission.toShort()));
//    }
  }
 然后编译成java包替换我们工程build / lib下的hadoop-core-1.2.0.jar。
另外一种方法是找到FileUtil.java编译过后的class文件，替换掉jar包中相应的class文件FileUtil.clas和FileUtil$CygPathCommand.clas（用压缩软件打开就行）
附上已修改编译的Hadoop-core-1.2.0.jar文件，包含单独的FileUtil.class文件，链接 http://download.csdn.net/detail/cvj1991/7727299 （1个积分，有钱的捧个钱场）和直接下载链接 http://files.cnblogs.com/e-life/hadoop-core-1.2.0.rar