使用Nutch和Solr抓取并索引网页
来源:互联网 发布:网易邮箱大师 for mac 编辑:程序博客网 时间:2024/04/29 09:52
Nutch和Solr是两个由Apache成员创建的实用工具,你可以使用Nutch抓取网页,使用Solr索引你得到的数据。
除了索引各类网站,这些工具还有很多其他功能,本文将不涉及这些,而是一篇针对如何使用Nutch抓取网页并使用Solr索引并搜索你抓取的数据的新手指南。
本文将不会讨论它们如何工作的大量细节,而会告诉你如何运行一个爬虫和建立索引,我将假设你已经搭建好了tomcat服务器。
1、确认你已正确安装JAVA并正确设置了JAVA_HOME和CLASSPATH变量。
2、下载并解压apache-nutch-1.3-bin.tar.gz(http://nutch.apache.org)和apache-solr-3.3.0.gz (http://lucene.apache.org/solr/)到不同的文件夹下。
3、设置Nutch:编辑NUTCH_ROOT/conf/nutch-default.xml,设置http.agent.name的value为你的爬虫的名字。
4、设置Solr:拷贝NUTCH_ROOT/conf目录下所有文件至SOLR_ROOT/example/solr/conf,覆盖任何可能存在的文件。
<requestHandler name="/nutch" class="solr.SearchHandler" >
<lst name="defaults">
<str name="defType">dismax</str>
<str name="echoParams">explicit</str>
<float name="tie">0.01</float>
<str name="qf">
content^0.5 anchor^1.0 title^1.2
</str>
<str name="pf">
content^0.5 anchor^1.5 title^1.2 site^1.5
</str>
<str name="fl">
url
</str>
<str name="mm">
2<-1 5<-2 6<90%
</str>
<int name="ps">100</int>
<str name="q.alt">*:*</str>
<str name="hl.fl">title url content</str>
<str name="f.title.hl.fragsize">0</str>
<str name="f.title.hl.alternateField">title</str>
<str name="f.url.hl.fragsize">0</str>
<str name="f.url.hl.alternateField">url</str>
<str name="f.content.hl.fragmenter">regex</str>
</lst>
</requestHandler>
5、启动Solr:$ cd SOLR_ROOT/example
6、启动爬虫:$ cd NUTCH_ROOT
你可以设置任意数字,一般情况下数字越大抓取的数据越多。抓取的时间也越长。
例如,下面这个抓取命令可能要用上一两天时间
7、索引抓取结果:
$ bin/nutch solrindex http://HOST_ADDRESS:8983/solr/ crawl/crawldb crawl/linkdb crawl/segments/*
这里的端口号和下面提到的端口号依据你的服务器设置而定,访问http://HOST_ADDRESS:8983/solr/admin,查看缺省的Solr管理面板,搜索索引。
当你到达结果页后,你可以在地址栏看到url,点击url你也可以看到XML的结果。
依据以上步骤,你将拥有你自己的一个迷你搜索引擎。它将只会搜索你所指定的网址,但你了解更多后,你将发现Nutch和Sorl能帮你实现更多神奇的事情。目前有关这些工具的友好的文档还不够丰富,下面的几个链接能帮助你开始你的探索旅程:
Nutch Wiki:http://wiki.apache.org/nutch/
Solr Wiki:http://wiki.apache.org/solr/FrontPage
Lucid Imagination:http://www.lucidimagination.com/
- 使用Nutch和Solr抓取并索引网页
- 转:使用Nutch和Solr抓取并索引网页
- 使用Nutch和Solr抓取并索引网页
- 使用 Hadoop,Nutch ,Hbase,Solr 搭建搜索引擎抓取并测试搜索结果
- Nutch定时抓取网页
- nutch抓取动态网页
- [Nutch]使用LUKE查看Solr的索引文件内容
- 集成Nutch和Solr
- nutch和solr
- [Nutch]Solr命令的使用
- 全文索引-lucene,solr,nutch,hadoop之nutch与hadoop
- 全文索引-lucene,solr,nutch,hadoop之nutch与hadoop
- nutch和solr配置学习
- nutch和solr配置实用
- nutch和solr集成安装
- nutch框架和solr框架
- nutch和solr做爬虫
- nutch和solr配置实用
- jQuery——动画篇(隐藏显示、上卷下拉、淡入淡出、animate、stop、each)
- 练习
- Zygote和System进程的启动过程
- iOS - 七牛/Ucloud 返回webp格式图片无法加载
- Primer Plus第二章总结
- 使用Nutch和Solr抓取并索引网页
- java实现文件下载功能
- Subsets vs Permutations
- shell中条件判断语法与判断条件小结
- C语言中使用位运算编写程序
- Swift 闭包 (oc 的block 类似)
- 如何在CentOS 7上安装MySQL
- 1066. Root of AVL Tree (25)
- 生活:你是如何毁掉生活中的情趣的