[[PageOutline]]

{{{
#!html
<div style="text-align: center;"><big
 style="font-weight: bold;"><big><big>Nutch 完整攻略</big></big></big></div>
}}}


 = 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/ || 日誌檔、中間檔與暫存檔 ||

 * 
== step 1 安裝好Hadoop叢集 ==

 * 可以參考這篇 [wiki:0330Hadoop_Lab3 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[wiki:waue/2009/0406 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
{{{
#!sh
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/nutch/logs

export HADOOP_PID_DIR=/tmp/nutch/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 ===
{{{
#!sh
<configuration>
<property>
    <name>fs.default.name</name>
    <value>gm1.nchc.org.tw:9000</value>
    <description> The name of the default file system. Either the literal string "local" or a host:port for NDFS. </description>
</property>
<property>
    <name>mapred.job.tracker</name>
    <value>gm1.nchc.org.tw:9001</value>
    <description> The host and port that the MapReduce job tracker runs at. If "local", then jobs are run in-process as a single map and reduce task. </description>
</property>
</configuration>
}}}
=== 3.3 nutch-site.xml ===
{{{
#!sh
<configuration>
<property>
  <name>http.agent.name</name>
  <value>waue</value>
  <description>HTTP 'User-Agent' request header. </description>
</property>
<property>
  <name>http.agent.description</name>
  <value>MyTest</value>
  <description>Further description</description>
</property>
<property>
  <name>http.agent.url</name>
  <value>gm1.nchc.org.tw</value>
  <description>A URL to advertise in the User-Agent header. </description>
</property>
<property>
  <name>http.agent.email</name>
  <value>waue@nchc.org.tw</value>
  <description>An email address
  </description>
</property>
</configuration>
}}}
=== 3.4 slaves ===
其實不用改，因為原本就是localhost
{{{
#!sh
localhost
}}}
=== 3.5 crawl-urlfilter.txt ===
將此檔的兩行改為下面內容
{{{
#!sh
# skip URLs containing certain characters as probable queries, etc.
-[*!@]

# accept hosts in MY.DOMAIN.NAME
+^http://([a-z0-9]*\.)*.*/
}}}


== step 4 執行 == 
=== 4.1 編輯url清單 ===
{{{
$ mkdir urls
$ vim urls.txt
}}}

{{{
#!sh
http://lucene.apache.org
}}}

=== 4.2 開啟HDFS ===
{{{
$ bin/hadoop namenode -format
$ bin/start-all.sh
}}}
=== 4.3 上傳清單到HDFS ===
{{{
$ bin/hadoop -put urls urls
}}}
=== 4.4 執行nutch crawl ===
{{{
$ bin/nutch crawl urls -dir crawl01 -depth 3
}}}
== step 5 web瀏覽 ==

=== 5.1 安裝tomcat ===
 * 下載
{{{
$ 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
}}}

=== 5.2 將crawl結果匯入tomcat ===

{{{
$ 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
$ vim /opt/tomcat/webapps/ROOT/WEB-INF/classes/nutch-site.xml
}}}

{{{
#!sh
<configuration>
    <property>
        <name>searcher.dir</name>
        <value>/opt/search</value>
    </property>
</configuration>
}}}

並且修改 /opt/tomcat/conf/server.xml 以修正中文問題
{{{
#!sh
    <Connector port="8080" protocol="HTTP/1.1"
               connectionTimeout="20000"
               redirectPort="8443" URIEncoding="UTF-8"/>
}}}
=== 5.3 瀏覽crawl結果 ===
{{{
$ /opt/tomcat/bin/startup.sh
}}}


[http://gm1.nchc.org.tw:8080]