说明:Nutch有两个主版本1.x和2.x,它们的主要区别是2.x引入了Gora作为存储抽象层,从而支持各种NoSQL数据库,如HBase,Cassandra等。本文是以1.x的最新版Nutch1.7 (发布于2013年6月25日)为例。
环境准备:
一台Ubuntu Linux服务器,可以装在VMware虚拟机中。
下载Nutch1.7版本的二进制包,地址:,选择一个站点进入后,下载1.7目录下的apache-nutch-1.7-bin.zip.
下载Solr3.6版本的二进制包,地址: ,选择一个站点进入后,下载3.6.2目录下的apache-solr-3.6.2.zip .
安装配置Nutch:
将apache-solr-3.6.2.zip解压,然后执行如下命令:
$mv apache-nutch-1.7nutch
$cd nutch
$bin/nutch
上面两行命令是进入解压后的目录,然后执行nutch命令。如果出现” Usage: nutch COMMAND”的帮助提示,则表明安装成功。如果有问题,可以检查看bin/nutch是否有可执行权限,如果没有可执行”chmod +x bin/nutch”命令添加可执行权限然后再尝试”bin/nutch”。
2. 配置JAVA_HOME环境变量
执行” echo $JAVA_HOME”如果返回空,则表明该变量未设置。需执行如下命令:
$cd
$vi .bashrc
然后将如下文本加入到.bashrc的末尾,注意:需将JAVA_HOME的值替换为你的Javajdk的路径。如果没有安装JDK,建议安装OracleJDK.
export JAVA_HOME=/home/dennis/jdk1.6.0_37
然后执行如下命令刷新当前的环境变量:
$. .bashrc
3. 配置Nutch
(1)配置conf/nutch-default.xml
$cd nutch
$ vi conf/nutch-default.xml
将http.agent.name属性的值改为如下:
<property>
<name>http.agent.name</name>
<value>My Nutch Spider</value>
</property>
(2) 创建urls相关配置:
$ mkdir urls
$cd urls
$ touch seed.txt
然后将你希望爬的网址放入seed.txt中,这里以” ”为例。
(3) 编辑conf/regex-urlfilter.txt将原有的
# accept anything else
+.
替换为你以正则表达式匹配的你希望爬的地址。例如:
+^([a-z0-9]*\.)*nutch.apache.org/
这是用正则表达式来限制爬虫的范围仅限于nutch.apache.org这个域。
运行Nutch:
$ bin/nutch crawl urls -dir crawl -depth 3 -topN5
运行上述命令执行爬虫。