[Linux] Nutch 2.3.1+ Hbase + Had

2016-05-26 本文已影响2844人圆尾

这是本指南的最后一篇，从开始做到完成，本熊花了一周的时间，碰到的错误也可谓千奇百怪。

纯初学者说明模式
本章节主讲实现本地模式

Nutch的配置与编译
Nutch与Hadoop，Hbase，Solr的集成
Nutch的启动与结果查看

0.初期设置说明

路径说明

本熊假设Hadoop的主目录为HadoopPath，Hbase的主目录为HbasePath，Nutch的主目录为NutchPath，Solr的主目录为SolrPath

以下是本熊的解压位置：
HadoopPath的值就是 /usr/Dzy/hadoop-2.5.2
HbasePath的值就是 /usr/Dzy/hbase-0.98.8-hadoop2
NutchPath的值就是 /usr/Dzy/apache-nutch-2.3.1
SolrPath的值就是 /home/as/下载/solr-4.10.3

各位可以按照自己的路径进行设置，本熊再次只为说明方便

使用版本说明

就如同本熊在第一期中提到的，要选择正确的相互适应兼容的版本，会帮您省去大堆不必要的麻烦，减少脱发，改善睡眠，提高生活质量

Apache Nutch 2.3.1

Apache Hadoop 1.2.1 and 2.5.2

Apache HBase 0.98.8-hadoop2 (although also tested with 1.X)

Apache Solr 4.10.3

Apache Tomcat（可选，版本随意，用于集成solr）

1.Nutch的配置与编译

此处的配置只在local模式中测试成功，deploy模式还未进行测试

在NutchPath目录下，把/ivy文件夹中修改ivy.xml文件，将以下内容的注释取消（将包含此代码段开头 ````消除即可）
<dependency org="org.apache.gora" name="gora-hbase" rev="0.6.1" conf="*->default" />
这是将Nutch的默认的结果存储方式变更为Hbase
在NutchPath目录下，把/conf文件夹中修改nutch-site.xml
文件，在<configuration></configuration>标签中添加以下设置
<property>
<name>storage.data.store.class</name>
<value>org.apache.gora.hbase.store.HBaseStore</value>
<description>Default class for storing data</description>
</property>
<property>
<name>http.agent.name</name>
<value>My Nutch Spider</value>
</property>
<property>
<name>plugin.includes</name>
<value>protocol-http|urlfilter-regex|parse-(html|tika)|index-(basic|anchor)|urlnormalizer-(pass|regex|basic)|scoring-opic|index-anchor|index-more|languageidentifier|subcollection|feed|creativecommons|tld</value>
<description>Regular expression naming plugin directory names to
include. Any plugin not matching this expression is excluded.
In any case you need at least include the nutch-extensionpoints plugin. By
default Nutch includes crawling just HTML and plain text via HTTP,
and basic indexing and search plugins. In order to use HTTPS please enable
protocol-httpclient, but be aware of possible intermittent problems with the
underlying commons-httpclient library.
</description>
</property>
这三个property分别指的是Nutch的默认存储类型，爬虫的名字，和插件库的位置，如果错误中出现job-XXXXX的情况，那就是没有配置好插件库property
在相同目录下，修改regex-urlfilter.txt，将最后部分修改为
# accept anything else
#+.
+^http://([a-z0-9].)nutch.apache.org/
这里写的是抓取过滤的正则表达式，各位可以按各自所需修改
网上有些说也要修改nutch-default.xml，其实没有这个必要，若在nutch-site.xml存在配置，会优先选择其中的属性
在相同目录下修改gora.properties文件，添加以下配置，确保存储在Hbase上
gora.datastore.default=org.apache.gora.hbase.store.HBaseStore
在NutchPath目录下，在/usr/Dzy/apache-nutch-2.3.1/runtime/local/文件下创建urls文件夹
在urls文件夹中创建seed.txt，在其中输入
```
  http://nutch.apache.org/
```

这里存放的是Nutch要爬取的网页

在NutchPath路径下，启动终端，输入以下命令，开始Ant编译
```
  ant runtime
```

编译完成后目录结构是这样的，多出来一个runtime

目录结构

最后一步就是，将Nutch数据保存到Hbase的jar包存到local内
HadoopPath下/lib中所有与hbase有关的jar包
复制到NutchPath目录下的/runtime/local/lib中
所需要的jar

至此Nutch的准备工作就算完成了

2.Nutch启动

如果一步不差的完成了本熊指南前三期的准备工作，那就接下来就是按顺序启动服务了

启动Solr
在TomcatPath目录下执行以下命令，启动Solr
bash startup.sh
启动Hadoop
在HadoopPath下，在终端输入以下命令，启动Hadoop
```
  bash ./sbin/start-all.sh
```
启动Hbase
在HbasePath目录下，启动终端输入
```
  bash ./bin/start-hbase.sh
```
启动Nutch
在NutchPath下，输入以下指令
cd /usr/Dzy/apache-nutch-2.3.1/runtime/local
./bin/crawl /usr/Dzy/apache-nutch-2.3.1/runtime/local/urls NutchTable http://localhost:8080/solr/collection1 2
这段指令的参数的意义：
urls位置---
*/usr/Dzy/apache-nutch- 2.3.1/runtime/local/urls *
Hbase中创建的表名---
NutchTable
SolrCore的位置---
http://localhost:8080/solr/collection1
迭代次数---
2
以上参数可以按照自己的需要调整，可以参考Apache Nutch的说明文档
如果一切OK的话，会出现以下状态，如果injectjob时间极长时可以检查一下Hbase版本配置

启动画面
最后参照之前的关于solr步骤与Hbase的步骤，可以在solr中看见查询的结果

solr中查询结果

local实验完成，这个实验只是简单的单机配置，若想要更加深入的了解Nutch的工作原理，可以在ant编译部分输入以下指令

    ant eclipse

这样可以在eclipse中加载Nutch项目，可以在这基础上做更贴近开发者自身想法的改进

第四期结束

到此为止，本熊把全部的实验过程都记录了下来，后在小Y的电脑上也试验成功了。累得本熊玩了好几天，但是本熊也很好奇，如何转化这些抓取的资源呢？也许这是向小Y这样的学术派才会考虑的问题，本熊只是俗熊，常常苦恼在三餐选什么，总之愿本文能对各位起到小小的帮助