wiki:waue/2009/0409

  1. 前言
  2. 環境
  3. step 1 安裝好Hadoop叢集
  4. step 2 下載與安裝
    1. 2.1 下載 nutch 並解壓縮
    2. 2.2 部屬hadoop,nutch目錄結構
  5. step 3 編輯設定檔
    1. 3.1 hadoop-env.sh
    2. 3.2 hadoop-site.xml
    3. 3.3 nutch-site.xml
    4. 3.4 slaves
    5. 3.5 crawl-urlfilter.txt
    6. 3.6 regex-urlfilter.txt
    7. 3.7 整個移植到另一台node
  6. step 4 執行nutch
    1. 4.1 編輯url清單
    2. 4.2 上傳清單到HDFS
    3. 4.3 執行nutch crawl
  7. step 5 瀏覽搜尋結果
    1. 5.1 安裝tomcat
    2. 5.1 tomcat server設定
    3. 5.3 下載crawl結果
    4. 5.4 設定nutch的搜尋引擎頁面到tomcat
    5. 5.5 設定搜尋引擎內容的來源路徑
    6. 5.6 啟動tomcat
  8. step 6 享受結果

Nutch 完整攻略

前言

  • 雖然之前已經測試過了，網路上也有許多人分享過成功的經驗，然而這篇的重點
    • 完整的安裝nutch，並解決中文亂碼問題
    • 用hadoop的角度來架設nutch
    • 搜尋引擎不只是找網頁內的資料，也能爬到網頁內的檔案(如pdf,msword)

環境

  • 目錄
/opt/nutch nutch 家目錄
/opt/nutch_conf nutch設定檔
/opt/hadoop hadoop家目錄
/opt/conf hadoop設定檔
/tmp/hadoop/
/tmp/nutch 		日誌檔、中間檔與暫存檔

step 1 安裝好Hadoop叢集

  • 可以參考這篇 hadoop叢集安裝
  • 當然單機版也可以，只是這樣就直接安裝nutch更省事囉！單機安裝nutch可以參考這裡nutch單機安裝，但是設定檔要參考這篇的才完整。
  • 安裝好hadoop 叢集之後，/opt/的權限就是使用者的了，並且ssh登入兩台都免密碼，hadoop也能正常執行，並且安裝於/opt/hadoop下，設定檔在 /opt/conf

step 2 下載與安裝

2.1 下載 nutch 並解壓縮

  • nutch 1.0 (2009/03/28 release ) 
    $ cd /opt
$ wget http://ftp.twaren.net/Unix/Web/apache/lucene/nutch/nutch-1.0.tar.gz
$ tar -zxvf nutch-1.0.tar.gz
$ mv nutch-1.0.tar.gz nutch

2.2 部屬hadoop,nutch目錄結構

$ mv nutch/conf ./nutch_conf
$ cp -rf conf/* nutch_conf
$ cp -rf hadoop/* nutch
  • 做完以上動作，nutch的設定檔就會被放在/opt/nutch_conf下，並且把現有hadoop的設定（/opt/conf）帶進nutch的設定中，而nutch_home內的hadoop執行檔也會跟正在運行的hadoop同個版本。
  • 以上的目錄結構在於nutch與hadoop分離，主程式與設定檔分離，（日誌檔則統一被紀錄到/tmp中），這樣的目的在於，要刪除nutch的話直接移除目錄就好，不會動到原本的hadoop。

step 3 編輯設定檔

  • 所有的設定檔都在 /opt/nutch_conf 下

3.1 hadoop-env.sh

  • 將原本的檔案hadoop-env.sh任意處填入 
    export JAVA_HOME=/usr/lib/jvm/java-6-sun
export HADOOP_HOME=/opt/nutch
export HADOOP_CONF_DIR=/opt/nutch_conf
export HADOOP_SLAVES=$HADOOP_CONF_DIR/slaves
export HADOOP_LOG_DIR=/tmp/hadoop/logs
export HADOOP_PID_DIR=/tmp/hadoop/pid
export NUTCH_HOME=/opt/nutch
export NUTCH_CONF_DIR=/opt/nutch_conf
  • 載入環境設定值 
    $ source /opt/nutch_conf/hadoop-env.sh
  • ps：強烈建議寫入 /etc/bash.bashrc 中比較萬無一失！！

3.2 hadoop-site.xml

<configuration>
  <property>
    <name>fs.default.name</name>
    <value>hdfs://node1:9000/</value>
    <description> </description>
  </property>
  <property>
    <name>mapred.job.tracker</name>
    <value>node1:9001</value>
    <description>  </description>
  </property>
  <property>
    <name>hadoop.tmp.dir</name>
    <value>/tmp/hadoop/hadoop-${user.name}</value>
    <description> </description>
  </property>
</configuration>

3.3 nutch-site.xml

  • 重要的設定檔，新增了必要的內容於內，然而想要瞭解更多參數資訊，請見nutch-default.xml 
    <configuration>
<property>
  <name>http.agent.name</name>
  <value>nutch</value>
  <description>HTTP 'User-Agent' request header. </description>
</property>
<property>
  <name>http.agent.description</name>
  <value>nutch-crawl</value>
  <description>Further description</description>
</property>
<property>
  <name>http.agent.url</name>
  <value>node1</value>
  <description>A URL to advertise in the User-Agent header. </description>
</property>
<property>
  <name>http.agent.email</name>
  <value>user@nchc.org.tw</value>
  <description>An email address
  </description>
</property>
<property>
  <name>plugin.folders</name>
  <value>/opt/nutch/plugins</value>
  <description>Directories where nutch plugins are located. </description>
</property>
<property>
  <name>plugin.includes</name>
  <value>protocol-(http|httpclient)|urlfilter-regex|parse-(text|html|js|ext|msexcel|mspowerpoint|msword|oo|pdf|rss|swf|zip)|index-(more|basic|anchor)|query-(more|basic|site|url)|response-(json|xml)|summary-basic|scoring-opic|urlnormalizer-(pass|regex|basic)</value>
  <description> Regular expression naming plugin directory names</description>
 </property>
 <property>
  <name>parse.plugin.file</name>
  <value>parse-plugins.xml</value>
  <description>The name of the file that defines the associations between
  content-types and parsers.</description>
 </property>
 <property>
   <name>db.max.outlinks.per.page</name>
   <value>-1</value>
   <description> </description>
 </property>
 <property>
   <name>http.content.limit</name>
   <value>-1</value>
 </property>
<property>
<property>
  <name>indexer.mergeFactor</name>
  <value>500</value>
  <description>The factor that determines the frequency of Lucene segment merges. </description>
</property>
<property>
  <name>indexer.minMergeDocs</name>
  <value>500</value>
  <description>This number determines the minimum number of Lucene. </description>
</property>
</configuration>

3.4 slaves

  • 這個檔不用設定，因為依照hadoop的叢集環境，下面列出我們環境所設定的 
    node1
node2

3.5 crawl-urlfilter.txt

  • 重新編輯爬檔規則，此檔重要在於若設定不好，則爬出來的結果幾乎是空的，也就是說最後你的搜尋引擎都找不到資料啦！ 
    # skip  ftp:, & mailto: urls
-^(ftp|mailto):
# skip image and other suffixes we can't yet parse
-\.(gif|GIF|jpg|JPG|png|PNG|ico|ICO|css|sit|eps|wmf|mpg|xls|gz|rpm|tgz|mov|MOV|exe|jpeg|JPEG|bmp|BMP)$
# skip URLs containing certain characters as probable queries, etc.
-[*!@]
# accecpt anything else
+.*

3.6 regex-urlfilter.txt

  • 雖然官方網站鮮少介紹到此檔，但是crawl-urlfilter.txt用來設定爬intranet的規則，而regex-urlfilter.txt則是用來設定爬internet的規則 
$ cd /opt/nutch_conf
$ cp regex-urlfilter.txt regex-urlfilter.txt-bek
$ cp crawl-urlfilter.txt regex-urlfilter.txt

3.7 整個移植到另一台node

$ ssh node02 "sudo chown hadooper:hadooper /opt"
$ scp -r /opt/nutch node02:/opt/

step 4 執行nutch

  • 在此假設你已經把hadoop 啟動並且正在運作了。因此nutch是利用這個已經在運做的平台上
  • 如果你的hadoop還沒啟動，則請在master節點(此篇以node1當作master)下 bin/start-all.sh指令；如果你的環境很clean，則請在master節點下
    • 到/opt/nutch 或 /opt/hadoop皆可 
      $ cd /opt/nutch
$ bin/hadoop namenode -format
$ bin/start-all.sh

4.1 編輯url清單

$ mkdir urls
$ vim urls.txt

http://www.nchc.org.tw

4.2 上傳清單到HDFS

$ bin/hadoop -put urls urls

4.3 執行nutch crawl

  • 用下面的指令就可以命令nutch開始工作了，之後map reduce會瘋狂工作 
    $ bin/nutch crawl urls -dir search -threads 2 -depth 3 -topN 100000
    • 執行上個指令會把執行過程秀在stdout上。若想要以後慢慢看這些訊息，可以用io導向的方式傾倒於日誌檔 
      $ bin/nutch crawl urls -dir search -threads 2 -depth 3 -topN 100000 >& nutch.log
  • 在nutch運作的同時，可以在node1節點用瀏覽器，透過 ​job管理頁面,​hdfs管理頁面,​程序運作頁面 來監看程序。

step 5 瀏覽搜尋結果

  • nutch 在 step 4 的工作是把你寫在urls.txt檔內的網址，用map reduce的程序來進行資料分析，但是分析完之後，要透過tomcat來觀看結果。以下就是安裝與設定你的客製化搜尋引擎的步驟。

5.1 安裝tomcat

  • 下載tomcat 
    $ cd /opt/
$ wget http://ftp.twaren.net/Unix/Web/apache/tomcat/tomcat-6/v6.0.18/bin/apache-tomcat-6.0.18.tar.gz
  • 解壓縮 
    $ tar -xzvf apache-tomcat-6.0.18.tar.gz
$ mv apache-tomcat-6.0.18 tomcat

5.1 tomcat server設定

  • 修改 /opt/tomcat/conf/server.xml 以修正中文亂碼問題 
     <Connector port="8080" protocol="HTTP/1.1"
               connectionTimeout="20000"
               redirectPort="8443" URIEncoding="UTF-8"
               useBodyEncodingForURI="true" />

5.3 下載crawl結果

  • 先把放在hdfs上，nutch的運算結果下載到local端 
    $ cd /opt/nutch
$ bin/hadoop dfs -get search /opt/search

5.4 設定nutch的搜尋引擎頁面到tomcat

  • 把nutch的搜尋引擎頁面取代為tomcat的webapps/ROOT 
    $ cd /opt/nutch
$ mkdir web
$ cd web
$ jar -xvf ../nutch-1.0.war
$ rm nutch-1.0.war
$ mv /opt/tomcat/webapps/ROOT /opt/tomcat/webapps/ROOT-ori
$ cd /opt/nutch
$ mv /opt/nutch/web /opt/tomcat/webapps/ROOT

5.5 設定搜尋引擎內容的來源路徑

  • 5.4的步驟雖然設定好搜尋引擎的頁面，然而其只能當作是介面而已，因此這個步驟把要搜尋的內容與搜尋介面做個連結 
    $ vim /opt/tomcat/webapps/ROOT/WEB-INF/classes/nutch-site.xml

<configuration>
    <property>
        <name>searcher.dir</name>
        <value>/opt/search</value>
    </property>
</configuration>

5.6 啟動tomcat

$ /opt/tomcat/bin/startup.sh

step 6 享受結果

Enjoy ! ​http://localhost:8080

Last modified 14 years ago Last modified on Jun 29, 2010, 11:19:44 AM