wiki:waue/2009/0409

Context Navigation

Version 4 (modified by waue, 16 years ago) (diff)
--

前言
環境

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

/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 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，然而想要了解更多參數資訊，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

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

Download in other formats:

Plain Text